基于KL引导的裁剪感知联邦学习用于人体重识别

人体重识别（re-ID）是智能监控和公共安全领域的基础任务。联邦学习（FL）提供了一种在不集中收集数据的隐私保护范例，用于协同模型训练。然而，由于非IID客户端数据导致的统计异质性以及频繁传输大规模模型所造成的通信开销，将FL部署到实际的re-ID系统中仍具有挑战性。为此，我们提出FedKLPR，一个轻量级且通信效率高的联邦学习框架，用于人体重识别。FedKLPR由三个关键组件构成。首先，引入KL散度引导的训练，包括KL散度正则化损失（KLL）和KL散度聚合权重（KLAW），以在非IID设置下缓解统计异质性并提高收敛稳定性。其次，融入非结构化裁剪以减少通信开销，提出裁剪比率聚合权重（PRAW）用于衡量裁剪后客户端参数的相对重要性。与KLAW一起，PRAW形成KL散度-裁剪加权聚合（KLPWA），实现了在异构数据分布下对裁剪后本地模型的有效聚合。第三，跨轮恢复（CRR）适应性地控制裁剪跨越通信轮次，以防止过度压缩并保持模型准确性。在八个基准数据集上的实验表明，FedKLPR在保持竞争性能的同时显著节省了通信成本。与最先进的方法相比，FedKLPR在ResNet-50上将通信成本降低40%--42%，同时实现了更好的整体性能。