联邦学习与类别不平衡
机器学习
2026-01-13 v1
摘要
联邦学习（FL）通过保护数据隐私的方式，实现了跨去中心化设备的协作模型训练。然而，实际的联邦学习部署面临诸多关键挑战，包括标签噪声和非独立同分布（non-IID）分布等数据不平衡问题。RHFL+ 是一种针对异构客户端模型环境下这些挑战的前沿方法。本 work 研究了 RHFL+ 在类别不平衡下的鲁棒性，通过三个关键贡献实现：(1) 在统一评估框架下复现 RHFL+ 及所有基准算法；(2) 将 RHFL+ 扩展到实际医学影像数据集，包括 CBIS-DDSM、BreastMNIST 和 BHI；(3) 使用 NVIDIA 的生产级联邦学习框架 NVFlare 实现，构建模块化、可扩展且部署就绪的代码库。为验证有效性，开展了大量消除法研究、在各种噪声条件下的算法比较以及跨增加客户端数的可扩展性实验。
引用
@article{arxiv.2601.06348,
title = {Federated Learning and Class Imbalances},
author = {Siqi Zhu and Joshua D. Kaggie},
journal= {arXiv preprint arXiv:2601.06348},
year = {2026}
}