FedHPro：基于梯度匹配的联邦超样本学习
计算机视觉与模式识别
2026-05-21 v2
摘要
联邦学习 (FL) 通过保护隐私的方式实现分布式客户端的协同训练。为提升其泛化能力，基于原型的联邦学习正受到关注，因为共享的全局原型可为对齐客户端特定本地原型提供语义锚点。然而，现有方法通过对局部原型进行平均或细化全局锚点来更新全局原型，往往导致客户端间语义漂移，进而产生误对齐的全局信号。为缓解此问题，我们引入超样本概念，即由一组可学习的全局类别级原型构成，以保持跨客户端间的底层语义知识。超样本通过梯度匹配进行优化，对齐来自客户端真实样本中提炼出的与类别相关特征，而非仅基于原型级别的描述符。我们进一步提出FedHPro框架，利用超样本通过基于客户特定边际的互对比学习来促进类间可分性，同时通过一致性惩罚鼓励类内均匀性。广泛的异构场景下的实验结果确认：1) 超样本产生更具语义一致性的全局信号；2) FedHPro 在多个基准数据集上实现了最先进的性能。代码已公开于 https://github.com/mala-lab/FedHPro。
引用
@article{arxiv.2605.13475,
title = {FedHPro: Federated Hyper-Prototype Learning via Gradient Matching},
author = {Huan Wang and Jun Shen and Haoran Li and Zhenyu Yang and Jun Yan and Ousman Manjang and Yanlong Zhai and Di Wu and Guansong Pang},
journal= {arXiv preprint arXiv:2605.13475},
year = {2026}
}
备注
23 pages, ICML 2026 Camera-ready Version