FedSub：引入类感知子网络融合以增强个性化联邦学习
机器学习
2025-12-03 v2
摘要
个性化联邦学习旨在解决协作模型训练中的非独立同分布（non-IID）数据挑战。然而，现有方法难以平衡个性化与泛化，往往过度简化客户端相似性或过度依赖全局模型。本文提出 FedSub，一种引入基于数据原型和模型子网络融合的类感知模型更新的新方法，以增强个性化。原型作为每个类别客户端数据的紧凑表示，在服务器上聚类以捕捉客户端间的标签特定相似性。同时，模型子网络封装处理每个类别最相关的组件，随后基于识别出的聚类在服务器上融合，为每个客户端生成细粒度、类特定且高度个性化的模型更新。在人类活动识别和移动健康应用三个高数据异质性真实场景中的实验结果，证明了 FedSub 相对于最先进方法的有效性，实现快速收敛和高分类性能。
引用
@article{arxiv.2411.08699,
title = {FedSub: Introducing Class-aware Subnetworks Fusion to Enhance Personalized Federated Learning},
author = {Mattia Giovanni Campana and Franca Delmastro},
journal= {arXiv preprint arXiv:2411.08699},
year = {2025}
}
备注
Submitted to IEEE Transactions on Artificial Intelligence