FedeCouple：在联邦学习中细粒度平衡全局泛化与局部适应性
计算机视觉与模式识别
2025-11-14 v1
摘要
在数据异构的隐私保护移动网络传输场景中，解耦特征提取器和分类器的个性化联邦学习方法已在增强学习能力方面显示出显著优势。然而，许多现有方法主要关注特征空间的一致性和分类器的个性化，在本地训练期间常常忽视提取器的局部适应性和分类器的全局泛化。这一忽视导致组件之间协调不足、耦合度弱，最终降低整体模型性能。为解决这一挑战，我们提出了 FedeCouple，一种在细粒度层面平衡全局泛化与局部适应性的联邦学习方法。我们的方案在联合学习全局和局部特征表示的同时，采用动态知识蒸馏来增强个性化分类器的泛化能力。我们进一步引入锚点来细化特征空间；其严格的局部性和非传输特性本身就能保护隐私并降低通信开销。此外，我们提供了理论分析，证明 FedeCouple 对于非凸目标具有收敛性，随着通信轮数的增加，迭代结果趋于平稳点。广泛的实验在五个图像分类数据集上进行，表明 FedeCouple 在有效性、稳定性、可扩展性和安全性方面均优于九个基线方法。值得注意的是，在评估有效性的实验中，FedeCouple 超过最佳基线的方法实现了显著的 4.3% 的提升。
引用
@article{arxiv.2511.09599,
title = {FedeCouple: Fine-Grained Balancing of Global-Generalization and Local-Adaptability in Federated Learning},
author = {Ming Yang and Dongrun Li and Xin Wang and Feng Li and Lisheng Fan and Chunxiao Wang and Xiaoming Wu and Peng Cheng},
journal= {arXiv preprint arXiv:2511.09599},
year = {2025}
}