基于个性化联邦学习的模式识别任务
摘要
个性化联邦学习（PFL）构成了一种新颖的范式，它为各个客户端定制机器学习（ML）模型，从而在坚持严格的数据隐私原则的同时，提供个性化的模型更新。与传统的标准联邦学习（FL）方法不同，PFL使模型适应不同的客户端数据分布，从而在最小化通信开销的同时，产生更高水平的准确性、定制化和数据安全性。这种方法在以异构数据源为基础且隐私问题至关重要的模式识别任务背景下尤为突出。在本研究工作中，我们对部署在三个不同数据集（即MNIST、SignMNIST和Digit5）上的七种不同PFL算法进行了全面的比较分析。总体目标是通过基于准确性、精确率、召回率和F1分数的严格评估，确定在模式识别任务框架内最卓越的PFL算法。同时，对这些PFL算法进行了深入审视，阐明了它们的工作流程、优势和局限性。通过实证研究，结果表明APPLE、FedGC和FedProto成为稳健的竞争者，在所评估的数据集范围内始终提供优越的性能，同时承认其他算法的上下文特异性以及通过迭代优化实现最佳结果的潜力。
引用
@article{arxiv.2605.27816,
title = {Pattern Recognition Tasks with Personalized Federated Learning},
author = {Md. Arifur Rahman and Isha Das and Mushfiqur Rahman Abir and B. M. Taslimul Haque and Abdullah Al Noman and Abir Ahmed and Md. Jakir Hossen},
journal= {arXiv preprint arXiv:2605.27816},
year = {2026}
}
备注
Comprehensive comparative analysis of 7 Personalized Federated Learning algorithms across MNIST, SignMNIST, and Digit5 datasets. The paper presents detailed methodology, workflow architecture, experimental evaluation, and privacy-preserving AI analysis for distributed intelligent systems, secure collaborative learning, and critical infrastructure applications