FedEFC：基于增强前向纠正处理噪声标签的联邦学习
机器学习
2026-02-19 v3 人工智能
摘要
联邦学习（FL）是一种强大的隐私保护分布式学习框架。它使多个客户机能够在不共享原始数据的情况下协同训练全局模型。然而，由于数据分布异构和通信限制，处理联邦学习中的噪声标签仍是一个主要挑战，可能严重降低模型性能。为解决此问题，我们提出了FedEFC，一种旨在解决噪声标签在联邦学习中影响的新方法。FedEFC通过两种关键技术来缓解此问题：（1）预停止技术，通过动态在最佳点停止训练来防止对错误标记的数据过拟合；（2）损失校正技术，调整模型更新以考虑标签噪声。特别是，我们针对联邦学习的独特挑战（包括数据异构性和去中心化训练）开发了有效的损失校正方法。此外，我们提供了理论分析，利用复合proper loss属性，表明在噪声标签分布下的联邦学习目标函数可与干净标签分布对齐。大量实验结果验证了我们方法的有效性，表明它在缓解噪声标签影响方面始终优于现有联邦学习技术，尤其是在异构数据设置下（例如，在已有损失校正方法基础上实现最高达41.64%的相对性能提升）。
引用
@article{arxiv.2504.05615,
title = {FedEFC: Federated Learning Using Enhanced Forward Correction Against Noisy Labels},
author = {Seunghun Yu and Jin-Hyun Ahn and Joonhyuk Kang},
journal= {arXiv preprint arXiv:2504.05615},
year = {2026}
}
备注
9 pages, 3 figures, revised version