FedOAED：面向有限客户端可用性下异构数据的联邦设备自编码器去噪器
机器学习
2025-12-23 v1
摘要
过去几十年，机器学习（ML）和深度学习（DL）解决方案通过利用大量高质量数据，在众多应用领域展现出巨大潜力。然而，严格的数据共享法规，如通用数据保护条例（GDPR）和健康保险可携带与责任法案（HIPAA），阻碍了许多数据驱动的应用得以实现。 federated learning（联邦学习）由于原始数据永远不离开本地设备，展现了克服这些限制的前景。尽管联邦学习在近年来迅速发展，但仍在处理异构性问题，导致梯度噪声、客户端漂移（client-drift）以及因部分客户端参与而增加的方差。本文提出FedOAED，一种新型联邦学习算法，旨在缓解来自多个本地训练更新导致的客户端漂移以及因部分客户端参与而产生的方差。FedOAED在客户端集成一种设备端自编码器去噪器，以在有限客户端可用性下的异构数据条件下减轻客户端漂移和方差。实验在非独立同分布（Non-IID）设置下的多个视觉数据集上表明，FedOAED consistently优于最新的基线方法。
引用
@article{arxiv.2512.17986,
title = {FedOAED: Federated On-Device Autoencoder Denoiser for Heterogeneous Data under Limited Client Availability},
author = {S M Ruhul Kabir Howlader and Xiao Chen and Yifei Xie and Lu Liu},
journal= {arXiv preprint arXiv:2512.17986},
year = {2025}
}