FedHarmony：协调联邦多标签学习中的异构标签相关性
机器学习
2026-05-01 v1
摘要
联邦多标签学习是一种分布式范式，其中多个客户端拥有异构多标签数据，并在不共享原始数据的隐私约束下进行协作学习。然而，在异构分布下建模标签相关性仍然具有挑战性。由于客户端特定的标签空间和不同的共现模式，各个客户端学习到的相关性不可避免地会偏离全局结构，我们将这种现象称为标签相关性漂移。为了解决这个问题，我们提出了 FedHarmony，一个协调客户端间异构标签相关性的框架。它引入了共识相关性，捕捉其他客户端之间的一致性，并作为全局教师来纠正有偏的局部估计。在聚合过程中，FedHarmony 通过数据量和相关性质量两个维度评估每个客户端，并据此分配权重。此外，我们为 FedHarmony 开发了一种加速优化算法，并从理论上证明了在不牺牲准确性的前提下实现更快的收敛。在真实世界的联邦多标签数据集上的实验表明，FedHarmony 始终优于最先进的方法。
引用
@article{arxiv.2604.28024,
title = {FedHarmony: Harmonizing Heterogeneous Label Correlations in Federated Multi-Label Learning},
author = {Zhiqiang Kou and Junxiang Wu and Wenke Huang and Wenwen He and Ming-Kun Xie and Changwei Wang and Yuheng Jia and Di Jiang and Yang Liu and Xin Geng and Qiang Yang},
journal= {arXiv preprint arXiv:2604.28024},
year = {2026}
}
备注
Accepted by CVPR 2026. 11 pages, 6 figures