FedProK：通过原型特征知识传递实现可信Federated类增量学习
机器学习
2024-05-07 v1 人工智能
神经与进化计算
摘要
联邦类增量学习（FCIL）聚焦于在动态联邦学习（FL）中不断将先前知识传递以学习新类。然而，现有方法未考虑FCIL的可信度问题，即同时提高持续实用性、隐私性和效率，这很大程度上受到灾难性遗忘和客户端数据异构性的影响。在解决这一问题方面，我们提出了FedProK（联邦原型特征知识传递），利用原型特征作为知识的新型表示进行空间-时间知识传递。具体而言，FedProK包含两个组件：（1）客户端侧的特征翻译程序，通过从已学习的类中进行时间知识传递；（2）服务器侧的原型知识融合，通过客户端之间进行空间知识传递。在同步和异步设置中进行的大量实验表明，我们的FedProK在三个可信度方面均优于其他最先进的方法，验证了其在选择性地传递空间-时间知识方面的有效性。
引用
@article{arxiv.2405.02685,
title = {FedProK: Trustworthy Federated Class-Incremental Learning via Prototypical Feature Knowledge Transfer},
author = {Xin Gao and Xin Yang and Hao Yu and Yan Kang and Tianrui Li},
journal= {arXiv preprint arXiv:2405.02685},
year = {2024}
}