面向异构环境的轻量化联邦学习框架 FedHENet
计算机视觉与模式识别
2026-02-16 v1 机器学习
摘要
联邦学习（FL）通过不集中数据实现协作训练，对于涉及敏感视觉信息的实际场景中的隐私合规至关重要。大多数联邦学习方法依赖昂贵的迭代深度网络优化，仍通过共享梯度存在隐私风险。本文提出 FedHENet，将 FedHEONN 框架扩展至图像分类任务。采用固定的预训练特征提取器，仅学习单个输出层，避免高昂的本地微调。该层通过基于同态加密（HE）的单轮通信进行分析性聚合客户端知识。实验表明，FedHENet 在准确率上与迭代式 FL 基线相当，同时展现出优异的稳定性表现，能效提升最高可达70%。关键在于本方法无需调节超参数，消除了标准联邦学习中超参数调优所耗费的碳排放。代码已公开于 https://github.com/AlejandroDopico2/FedHENet/。
引用
@article{arxiv.2602.13024,
title = {FedHENet: A Frugal Federated Learning Framework for Heterogeneous Environments},
author = {Alejandro Dopico-Castro and Oscar Fontenla-Romero and Bertha Guijarro-Berdiñas and Amparo Alonso-Betanzos and Iván Pérez Digón},
journal= {arXiv preprint arXiv:2602.13024},
year = {2026}
}
备注
Accepted for publication at the 34th European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN 2026)