用于抗噪训练的混合联邦学习
机器学习
2026-01-09 v1 人工智能
信息论
信号处理
math.IT
摘要
联邦学习（FL）和联邦蒸馏（FD）是以增强隐私的方式训练 UE 模型的分布式学习范式，各自在抗噪性和学习速度之间提供了不同的权衡。为了缓解它们各自的弱点，我们提出了一种混合联邦学习（HFL）框架，其中每个用户设备（UE）传输梯度或 logits，基站（BS）选择 FL 和 FD 更新的每轮权重。我们推导了 HFL 框架的收敛性，并引入了两种利用 HFL 中自由度（DoF）的方法，即（i）通过 Jenks 优化进行自适应 UE 聚类，以及（ii）通过阻尼 Newton 法进行自适应权重选择。数值结果表明，当同时利用两种 DoF 时，HFL 在低 SNR 下实现了优异的测试准确率。
引用
@article{arxiv.2601.04483,
title = {Hybrid Federated Learning for Noise-Robust Training},
author = {Yongjun Kim and Hyeongjun Park and Hwanjin Kim and Junil Choi},
journal= {arXiv preprint arXiv:2601.04483},
year = {2026}
}