pFedBBN：用于类别不平衡数据的个人化联合测试时适应 with Balanced Batch Normalization

联合学习中的测试时适应 (TTA) 对处理跨客户端不可见数据分布至关重要，尤其是当面临领域偏移和不平衡类别分布时。类别不平衡 (CI) 仍是联合学习中的根本性挑战，其中罕见但关键的类别在单个客户端数据集中常严重不足样本。尽管先前工作通过可靠聚合和本地类别分布对齐等方法在训练期间解决了 CI，但这些方法通常依赖于标签数据或客户端之间的协调，且无人解决在联合 CI 约束下推断时对动态领域或分布偏移的无标签适应。我们揭示了在 CI 场景下，最先进的 TTA 在联合客户端适应中的失败。我们提出 pFedBBN，一种采用平衡批量归一化 (BBN) 的个人化联合测试时适应框架，用于本地客户端适应以通过对所有类别平等处理来缓解预测偏差，同时通过 BBN 相似性实现客户端协作，确保具有相似平衡表示的客户端相互强化，并且适应保持与领域特定特征一致。pFedBBN 支持完全无标签的本地适应，并引入基于类别的模型聚合策略，以实现无需牺牲隐私的个人化推断。通过平衡特征归一化和领域感知协作，解决了分布偏移和类别不平衡问题，不需要来自客户端的任何标签或原始数据。广泛的实验表明，pFedBBN 在各种基线方法上持续增强了鲁棒性和少数类别性能。