极端非独立分布与全局类别不平衡下的联邦主动学习
机器学习
2026-03-12 v1 人工智能
摘要
联邦主动学习（FAL）旨在隐私约束下降低标注成本，但在现实场景中面临严重的全局类别不平衡和高度异构客户端时，其有效性会下降。我们对 FAL 中的查询-模型选择进行系统性研究，发现核心洞察：实现更均衡类别抽样（尤其是少数类）的模型，始终能导致更佳的最终性能。此外，仅当全局分布高度不平衡且客户端数据相对均匀时，全局模型查询才有益；否则，局部模型更为可取。基于上述发现，我们提出 FairFAL（公平联邦主动学习）框架。FairFAL (1) 通过轻量预测差异推断全局不平衡与局部-全局偏差，实现全局与局部查询模型的自适应选择；(2) 使用全局特征进行原型引导的伪标签化，以促进类别感知查询；(3) 应用两阶段不确定性-多样性平衡抽样策略结合 k-center 精炼。实验在五个基准数据集上表明，FairFAL 在面临挑战性长尾和非独立分布设置时，始终优于最先进的方法。代码已公开于 https://github.com/chenchenzong/FairFAL。
引用
@article{arxiv.2603.10341,
title = {Federated Active Learning Under Extreme Non-IID and Global Class Imbalance},
author = {Chen-Chen Zong and Sheng-Jun Huang},
journal= {arXiv preprint arXiv:2603.10341},
year = {2026}
}
备注
Accepted to CVPR 2026