带反馈对齐的联邦学习
机器学习
2025-12-16 v1 人工智能
计算机视觉与模式识别
摘要
联邦学习（FL）使多个客户端能够在保护数据隐私的同时进行协作训练，但它在数据异质性方面面临挑战，即客户端的数据并非独立同分布（non-IID）。这导致局部漂移，阻碍全局模型收敛。为解决这一问题，我们提出了带反馈对齐的联邦学习（FLFA），一种将反馈对齐融入 FL 的新型框架。FLFA 在局部训练的后向传播过程中使用全局模型的权重作为共享反馈矩阵，高效地对齐局部更新与全局模型。该方法以极少的额外计算成本和无额外通信开销缓解了局部漂移。我们的理论分析通过展示 FLFA 如何缓解局部漂移并证明局部和全局模型的鲁棒收敛性来支持其设计。实证评估，包括准确性比较和局部漂移测量，进一步说明 FLFA 可以增强其他 FL 方法，展示其有效性。
引用
@article{arxiv.2512.12762,
title = {Federated Learning with Feedback Alignment},
author = {Incheol Baek and Hyungbin Kim and Minseo Kim and Yon Dohn Chung},
journal= {arXiv preprint arXiv:2512.12762},
year = {2025}
}