适应数据漂移的联邦学习客户端聚类
机器学习
2026-02-10 v3 密码学与安全
摘要
联邦学习(FL)在不集中化原始数据的情况下在边缘设备上训练深度模型，保护用户隐私。然而，客户端异构性会减慢收敛速度并限制全局模型准确率。聚类联邦学习(CFL)通过将具有相似表示的客户端分组并为每个簇训练独立模型来缓解此问题。实际情况下，客户端数据随时间演变，一种我们称为数据漂移的现象，会破坏簇的均匀性并降低性能。数据漂移可根据变化发生在输出值、输入特征还是它们之间关系的不同形式呈现。我们提出FIELDING框架，用于处理各种类型的数据漂移且开销低。FIELDING检测每个客户端的漂移并执行选择性重新聚类，以平衡簇质量与模型性能，同时对恶意客户端和不同程度的异构性保持鲁棒性。实验表明，FIELDING比现有最先进的CFL方法提高最终模型准确率1.9%-5.9%，实现目标准确率快1.16倍-2.23倍。
引用
@article{arxiv.2411.01580,
title = {Federated Learning Clients Clustering with Adaptation to Data Drifts},
author = {Minghao Li and Dmitrii Avdiukhin and Rana Shahout and Nikita Ivkin and Vladimir Braverman and Minlan Yu},
journal= {arXiv preprint arXiv:2411.01580},
year = {2026}
}
备注
24 pages, 16 figures