FedGTEA：基于高斯任务嵌入与对齐的联邦类增量学习
机器学习
2025-10-16 v1 机器学习
摘要
我们提出了一种新的联邦类增量学习框架，称为联邦高斯任务嵌入与对齐（FedGTEA）。FedGTEA旨在可扩展且通信高效地捕获任务特定知识和模型不确定性。在客户端，Cardinality-Agnostic Task Encoder（CATE）产生高斯分布的任务嵌入，以编码任务知识、解决统计异质性问题并量化数据不确定性。重要的是，CATE无论任务数量如何，都保持固定的参数规模，这确保了在长时间序列任务中的可扩展性。在服务器端，FedGTEA利用2 Wasserstein距离来衡量高斯嵌入之间的任务间差距。我们构建Wasserstein损失以强制任务间分离。这种概率性表述不仅增强了表征学习，还通过避免直接传输潜在嵌入来保留任务级别的隐私，符合联邦学习中的隐私约束。大量实验评估表明，FedGTEA在流行数据集上实现了卓越的分类性能，显著减缓了遗忘现象，始终优于强大的现有基线。
关键词
引用
@article{arxiv.2510.12927,
title = {FedGTEA: Federated Class-Incremental Learning with Gaussian Task Embedding and Alignment},
author = {Haolin Li and Hoda Bidkhori},
journal= {arXiv preprint arXiv:2510.12927},
year = {2025}
}