GFPL：面向资源受限和数据不平衡视觉任务的生成式联邦原型学习
计算机视觉与模式识别
2026-02-26 v1 机器学习
摘要
联邦学习促进了去中心化图像的安全利用，推动了医学图像识别和自动驾驶等应用的发展。然而，传统的联邦学习在实际部署中面临两个关键挑战：由模型更新偏向多数类特征导致的无效知识融合，以及由于频繁传输高维模型参数而产生的过高通信开销。受人类大脑知识整合效率的启发，我们提出了一种新颖的生成式联邦原型学习框架来解决这些问题。在该框架内，一种基于高斯混合模型的原型生成方法捕获了类级特征的统计信息，而一种使用巴氏距离的原型聚合策略则有效地融合了各客户端之间语义相似的知识。此外，这些融合后的原型被用于生成伪特征，从而缓解了客户端间的特征分布不平衡。为了进一步增强本地训练过程中的特征对齐，我们设计了一种双分类器架构，通过结合点积回归和交叉熵的混合损失进行优化。在基准数据集上的大量实验表明，GFPL在不平衡数据设置下将模型准确率提高了3.6%，同时保持了较低的通信成本。
引用
@article{arxiv.2602.21873,
title = {GFPL: Generative Federated Prototype Learning for Resource-Constrained and Data-Imbalanced Vision Task},
author = {Shiwei Lu and Yuhang He and Jiashuo Li and Qiang Wang and Yihong Gong},
journal= {arXiv preprint arXiv:2602.21873},
year = {2026}
}