基于无分类器扩散模型的单次联邦学习

联邦学习（FL）通过避免数据集中化实现协作学习，但由于客户端与服务器之间多轮通信，引入了显著的通信成本。单次联邦学习（OSFL）通过单一通信轮次形成全局模型，通常依赖服务器模型蒸馏或通过预训练扩散模型（DMs）生成辅助数据集——但这类方法通常采用分类器引导的DMs，要求每个客户端训练辅助分类器，引入额外的计算开销。本工作提出了OSCAR（One-Shot Federated Learning with Classifier-Free Diffusion Models），一种新的OSFL方法，消除了对辅助模型的需求。OSCAR利用基础模型在每个客户端中构建类别特定的数据表示，并整合到无分类器扩散模型管道中，用于服务器端数据生成。在我们的实验中，OSCAR在四个基准数据集上超越了最先进技术，同时将通信负载降低了至少99%。