基于无分类引导扩散模型的单次联邦学习
机器学习
2026-01-30 v2
摘要
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次通信，导致显著的通信成本。单次联邦学习（OSFL）通过单一次通信即可构建全局模型，通常依赖服务器的模型蒸馏或通过预训练扩散模型（DM）生成辅助数据集。现有DM辅助OSFL方法通常采用分类引导扩散模型，这要求在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OSCAR（One-Shot Federated Learning with Classifier-Free Diffusion Models），一种新的OSFL方法，无需辅助模型即可实现。OSCAR利用基础模型在每个客户端构建类别特定的数据表示，并集成到无分类引导扩散模型管道中，用于服务器端数据生成。在实验中，OSCAR在四个基准数据集上 outperform 了最新方法，同时将通信负载降低至少99%。
引用
@article{arxiv.2502.08488,
title = {One-Shot Federated Learning with Classifier-Free Diffusion Models},
author = {Obaidullah Zaland and Shutong Jin and Florian T. Pokorny and Monowar Bhuyan},
journal= {arXiv preprint arXiv:2502.08488},
year = {2026}
}
备注
Published in IEEE ICME 2025