面向类别不平衡的带分类器偏移联邦学习
机器学习
2023-04-12 v1
摘要
联邦学习旨在协同学习一个全局模型，而训练数据属于不同客户端且不允许交换。然而，非独立同分布数据上的统计异质性挑战（如分类中的类别不平衡）会引起客户端漂移并显著降低全局模型性能。本文提出一种简单有效的方法 FedShift，在本地训练阶段对分类器输出添加偏移以缓解类别不平衡的负面影响。我们从理论上证明 FedShift 中的分类器偏移可使局部最优与全局最优一致，并保证算法收敛。此外，实验表明 FedShift 在多个数据集上的准确率与通信效率均显著优于其他最先进的联邦学习方法。
引用
@article{arxiv.2304.04972,
title = {Federated Learning with Classifier Shift for Class Imbalance},
author = {Yunheng Shen and Haoxiang Wang and Hairong Lv},
journal= {arXiv preprint arXiv:2304.04972},
year = {2023}
}