FedOUI：OUI 引导的联邦聚合客户端加权
机器学习
2026-05-13 v1
摘要
联邦学习通常使用数据集大小或梯度级别的标准来聚合客户端更新，而忽略了关于每个客户端模型在训练期间如何组织其输入空间的内部信号。我们引入了 FedOUI，这是一种基于过拟合-欠拟合指标（OUI）的简单聚合规则，OUI 是一种基于激活且无需标签的度量。每个参与的客户端将其本地更新与在固定探测批次上计算的 OUI 值一同发送，服务器则估计每轮的 OUI 分布，通过平滑重加权规则为结构上非典型的客户端分配较低的权重。我们在强非独立同分布划分和噪声客户端条件下的 CIFAR-10 上评估了 FedOUI，并将其与 FedAvg、FedProx 以及一个梯度对齐基线进行比较。最显著的增益出现在强异构性条件下，基于 OUI 的加权在保持轻量级和可解释性的同时提高了聚合质量。这些结果表明，内部激活结构可以为联邦聚合提供超越客户端大小和梯度几何的有用信息。
引用
@article{arxiv.2605.11571,
title = {FedOUI: OUI-Guided Client Weighting for Federated Aggregation},
author = {Alberto Fernández-Hernández and Jose I. Mestre and Cristian Pérez-Corral and Manuel F. Dolz and Jose Duato and Enrique S. Quintana-Ortí},
journal= {arXiv preprint arXiv:2605.11571},
year = {2026}
}