面向类别重叠且无任务标识符的流式联邦持续学习的知识感知演化
机器学习
2026-01-28 v1 分布式、并行与集群计算
摘要
联邦持续学习(FCL)利用客户端间协作来在非平稳数据中平衡新知识获取与先验知识保留。然而，现有的基于批量的FCL方法缺乏对流式场景的适应性，这些场景具有新旧数据之间的类别重叠且无任务标识符，导致新旧知识难以区分、样本的任务分配不确定以及知识混淆。为了解决这一问题，我们提出了流式联邦持续学习设置：在每轮联邦学习(FL)中，客户端处理具有不重叠样本和可能重叠类别且无任务标识符的流式数据，要求在每轮FL之后对所有先前类别保持持续的推理能力。接下来，我们引入FedKACE：1)一种自适应推理模型切换机制，实现从局部模型到全局模型的单向切换，以在个性化与泛化之间取得平衡；2)一种自适应梯度平衡回放方案，在类别重叠场景下协调新知识学习与旧知识保留；3)一种核谱边界缓冲维护，保留高信息量和高边界影响样本以优化跨轮知识保留。多个场景下的实验和遗憾分析证明了FedKACE的有效性。
引用
@article{arxiv.2601.19788,
title = {Knowledge-Aware Evolution for Streaming Federated Continual Learning with Category Overlap and without Task Identifiers},
author = {Sixing Tan and Xianmin Liu},
journal= {arXiv preprint arXiv:2601.19788},
year = {2026}
}