FedTopo：基于拓扑信息的联邦学习中的表示对齐
机器学习
2025-11-18 v1
摘要
当前的联邦学习模型在异构（非 I.I.D.）客户端数据下会恶化，因为其特征表示会发生偏移，像素或块级目标难以捕捉全局拓扑，而这对于高维视觉任务至关重要。我们提出 FedTopo，一个集成拓扑引导块筛选（TGBS）和拓扑嵌入（TE）以利用拓扑信息、通过拓扑对齐损失（TAL）实现跨客户端一致对齐表示的框架。首先，拓扑引导块筛选（TGBS）自动选择最具拓扑信息性的块，即具有最大拓扑可分性的块，其基于持久性的签名最能区分类内与类间配对，确保后续分析聚焦于富含拓扑特征的区域。接着，该块产生紧凑的拓扑嵌入，用于量化每个客户端的拓扑信息。最后，拓扑对齐损失（TAL）指导客户端在优化期间保持与全局模型的拓扑一致性，减少跨轮的表示漂移。在针对四种非 I.I.D. 分区在 Fashion-MNIST、CIFAR-10 和 CIFAR-100 上的实验表明，FedTopo 在收敛速度和准确率方面优于强基准。
引用
@article{arxiv.2511.12628,
title = {FedTopo: Topology-Informed Representation Alignment in Federated Learning under Non-I.I.D. Conditions},
author = {Ke Hu and Liyao Xiang and Peng Tang and Weidong Qiu},
journal= {arXiv preprint arXiv:2511.12628},
year = {2025}
}
备注
coference