FedFusion：结合多样性与聚类感知编码器的联邦学习以实现标签稀缺下的稳健适应
机器学习
2025-09-24 v1 人工智能
分布式、并行与集群计算
摘要
实践中的联邦学习必须应对异构的特征空间、严重的 non-IID 数据以及各客户端的标签稀缺问题。我们提出了 FedFusion，这是一个结合了多样性与聚类感知编码器（DivEn, DivEn-mix, DivEn-c）的联邦迁移学习框架，统一了领域适应与节约型标注。带标签的教师客户端通过置信度过滤的伪标签和领域自适应迁移来指导学习器客户端，同时客户端维护为本地数据量身定制的个性化编码器。为了在异构性下保持全局一致性，FedFusion 采用了相似度加权分类器耦合（带有可选的聚类平均），以缓解数据丰富站点的支配地位并提升少数客户端的性能。节约型标注流水线结合了自监督/半监督前置任务训练与选择性微调，在不共享原始数据的情况下减少了标注需求。在 IID、non-IID 和标签稀缺场景下的表格和影像基准测试中，FedFusion 在准确性、稳健性和公平性上始终优于 state-of-the-art 基线，同时保持了相当的通信和计算预算。这些结果表明，协调个性化、领域适应和标签效率是在现实世界约束下实现稳健联邦学习的有效方案。
引用
@article{arxiv.2509.19220,
title = {FedFusion: Federated Learning with Diversity- and Cluster-Aware Encoders for Robust Adaptation under Label Scarcity},
author = {Ferdinand Kahenga and Antoine Bagula and Patrick Sello and Sajal K. Das},
journal= {arXiv preprint arXiv:2509.19220},
year = {2025}
}