FedCon：一种用于联邦半监督学习的对比框架
机器学习
2021-09-13 v1
摘要
联邦半监督学习（FedSSL）因其利用相互隔离且无标签的数据协同训练机器学习模型的独特特性，受到了学术界和工业界研究者的日益关注。大多数现有的 FedSSL 方法关注经典场景，即有标签和无标签数据存储在客户端。然而，在实际应用中，客户端用户可能在没有激励的情况下不提供标签。因此，标签位于服务器端的场景更为实用。由于无标签数据和有标签数据是解耦的，大多数现有的 FedSSL 方法可能无法处理此类场景。为了克服这一问题，本文提出了 FedCon，将一种新的学习范式即对比学习引入 FedSSL。在三个数据集上的实验结果表明，在 IID 和 Non-IID 设置下，与最先进的基线方法相比，FedCon 通过对比框架实现了最佳性能。此外，消融实验证明了所提出的 FedCon 框架的特性。
引用
@article{arxiv.2109.04533,
title = {FedCon: A Contrastive Framework for Federated Semi-Supervised Learning},
author = {Zewei Long and Jiaqi Wang and Yaqing Wang and Houping Xiao and Fenglong Ma},
journal= {arXiv preprint arXiv:2109.04533},
year = {2021}
}