FedRG：基于表示几何的联邦学习方法，针对存在噪声客户端的场景
机器学习
2026-04-01 v2 人工智能
摘要
联邦学习（FL）因分布式场景中噪声标注的不可避免存在而导致性能下降。现有方法通过利用损失值区分数据集中的噪声样本进行标签纠正，但依赖标量损失的噪声样本识别在异构场景下可靠性不足。本文从表示角度重新思考这一范式，提出了方法\method~（\textbf{Fed}erated under \textbf{R}epresentation \textbf{G}emometry），遵循“表示几何优先”原则识别噪声标签。首先，\method~通过自监督方式创建无标签的球形表示；随后，利用先前识别的干净样本拟合球形 von Mises-Fisher（vMF）混合模型，以捕获语义聚类。这种几何证据被集成到语义标签软映射机制中，以计算无标签特征空间与标注标签条件化特征空间之间的分布散度，从而稳健地识别噪声样本并更新vMF混合模型。最后，在噪声标签上引入额外的个人化噪声吸收矩阵，以实现稳健优化。大量实验结果表明，\method~在多样化噪声客户端场景下显著优于现有SOTA方法。
引用
@article{arxiv.2603.19722,
title = {FedRG: Unleashing the Representation Geometry for Federated Learning with Noisy Clients},
author = {Tian Wen and Zhiqin Yang and Yonggang Zhang and Xuefeng Jiang and Hao Peng and Yuwei Wang and Bo Han},
journal= {arXiv preprint arXiv:2603.19722},
year = {2026}
}
备注
conference