FedUNet：用于异构模型的轻量级可加 U-Net 模块
机器学习
2025-08-19 v1 人工智能
摘要
联邦学习（FL）使无需共享本地数据即可进行去中心化模型训练。然而，大多数现有方法假设跨客户端的模型架构相同，限制了其在异构现实环境中的应用。为此，我们提出FedUNet，一个轻量级且无需架构一致性的FL框架，将一种受U-Net启发的可加模块附加到每个客户端的主干网络上。通过仅共享U-Net的紧凑瓶颈，FedUNet实现了高效的知识传递，无需结构对齐。U-Net的编码器-解码器设计和跳跃连接有助于捕获低级和高级特征，促进提取客户端不变表示。这是一种在最小通信成本下实现主干网络与可加模块协作学习的方法。实验结果表明，FedUNet在VGG变体上实现了93.11%的准确率，而在紧凑形式（即FedUNet的轻量版本）下实现了92.68%的准确率，仅需0.89 MB的低通信开销。
引用
@article{arxiv.2508.12740,
title = {FedUNet: A Lightweight Additive U-Net Module for Federated Learning with Heterogeneous Models},
author = {Beomseok Seo and Kichang Lee and JaeYeon Park},
journal= {arXiv preprint arXiv:2508.12740},
year = {2025}
}
备注
6 pages, 4 figures