面向光刻热点检测的联邦知识蒸馏多模型架构
机器学习
2026-05-01 v2 硬件体系结构
摘要
作为一种特殊类型 of multimedia data，光刻热点检测（Lithography Hotspot Detection，简称 LHD）训练通常需要比 conventional multimedia data 更强的 privacy protection，联邦学习提供了一种潜在的 solution。然而，existing approaches rely solely on either parameter aggregation 或 Knowledge Distillation（KD），未能充分发挥 collaborative learning 的潜能。为此，我们提出了 FedKD-hybrid，一种 novel 框架，将两种 paradigm 的优势充分结合。具体而言，FedKD-hybrid 利用 public 数据集 facilitate consensus，clients exchange both agreed-upon layers 的 parameters 以及 logits。这种 hybrid information 被聚合以细化 local models，从而增强 knowledge transfer。在 ICCAD-2012 和 real-world FAB 数据集上的 extensive experiments 表明，FedKD-hybrid 在 effectiveness 和 robustness 方面 consistently优于 state-of-the-art methods。
引用
@article{arxiv.2501.04066,
title = {Federated Knowledge Distillation for Multi-Model Architectures Lithography Hotspot Detection},
author = {Yuqi Li and Xingyou Lin and Yanli Li and Kai Zhang and Chuanguang Yang and Zhongliang Guo and Jianping Gou and Tingwen Huang and Yingli Tian},
journal= {arXiv preprint arXiv:2501.04066},
year = {2026}
}
备注
Accept by ICME2026