FeDMRA: 基于动态记忆回放分配的联邦增量学习
机器学习
2026-03-31 v1 人工智能
计算机视觉与模式识别
分布式、并行与集群计算
机器学习
摘要
在联邦医疗系统中，联邦类增量学习 (FCIL) 已成为一种关键范式，使分布式客户端能够在保护数据隐私的同时进行持续的自适应模型学习。然而，在实际应用中，分布式框架中各代理节点的数据常常呈现非独立且不一致分布 (non-IID) 的特征，使得传统的持续学习方法不可直接应用。为此，本文涵盖更为全面的增量任务场景，提出一种基于数据回放机制的 exemplar 存储动态记忆分配策略。该策略充分发挥数据异构性的内在潜力，同时考虑到所有参与客户端的性能公平性，从而构建了一个在平衡和自适应方面缓解灾难性遗忘的解决方案。不同于固定的客户端 exemplar 记忆分配，本方案强调在有限存储资源在各客户端之间进行合理分配，以提高模型性能。此外，本文在三个医学图像数据集上进行了大量实验，结果表明相对于现有基线模型，性能显著提升。
引用
@article{arxiv.2603.28455,
title = {FeDMRA: Federated Incremental Learning with Dynamic Memory Replay Allocation},
author = {Tiantian Wang and Xiang Xiang and Simon S. Du},
journal= {arXiv preprint arXiv:2603.28455},
year = {2026}
}