基于 Wasserstein 重心聚合的个性化贝叶斯联邦学习
机器学习
2025-10-14 v2
摘要
个性化贝叶斯联邦学习（PBFL）通过结合个性化技术与贝叶斯推断来处理非独立同分布（non-i.i.d）的客户端数据并量化不确定性。然而，现有 PBFL 方法面临两个局限性：客户端后验推断中的严格参数化假设，以及服务器聚合中的简单参数平均。为克服这些问题，本文提出了 FedWBA—a一种新型 PBFL 方法，以提升局部推断和全局聚合效果。在客户端层面，我们采用基于粒子的变分推断进行非参数后验表示。在服务器层面，我们引入基于粒子的 Wasserstein 重心聚合，提供更具几何意义的聚合方式。理论上，我们为 FedWBA 提供了局部和全局收敛保证。局部方面，证明变分推断每迭代一步的 KL 发散降低下界。全局方面，表明当客户端数据规模增加时，Wasserstein 重心收敛于真实参数。实验结果表明，FedWBA 在预测准确性、不确定性校准和收敛速度方面均优于基线方法，消融实验亦证明其鲁棒性。
关键词
引用
@article{arxiv.2505.14161,
title = {Personalized Bayesian Federated Learning with Wasserstein Barycenter Aggregation},
author = {Ting Wei and Biao Mei and Junliang Lyu and Renquan Zhang and Feng Zhou and Yifan Sun},
journal= {arXiv preprint arXiv:2505.14161},
year = {2025}
}
备注
The paper has been accepted by NIPS 2025