PPFL：面向异质群体的个性化联邦学习框架
机器学习
2025-08-06 v2
摘要
个性化旨在刻画个体偏好，并广泛应用于诸多领域。然而，传统的个性化方法以集中式方式运作，在汇聚个体信息时可能暴露原始数据。本文在隐私考量下，于联邦学习范式内开发了一个灵活且可解释的个性化框架，称为 \texttt{PPFL}（Population Personalized Federated Learning，群体个性化联邦学习）。通过利用“典型模型”捕捉异质群体的基本特征，并采用“成员向量”揭示客户端的偏好，\texttt{PPFL} 将异质性建模为客户端对这些特征的不同偏好。该方法对客户特征提供了现有个性化联邦学习（PFL）方法所缺乏的实质性洞察。此外，我们探讨了 \texttt{PPFL} 与 PFL 方法三大主要分支——聚类联邦学习、多任务 PFL 和解耦 PFL——之间的关系，并展示了 \texttt{PPFL} 的优势。为求解 \texttt{PPFL}（一个带线性约束的非凸优化问题），我们提出了一种新颖的随机块坐标下降算法，并建立了其收敛性质。我们在病理性和实际数据集上进行了实验，结果验证了 \texttt{PPFL} 的有效性。
引用
@article{arxiv.2310.14337,
title = {PPFL: A Personalized Federated Learning Framework for Heterogeneous Population},
author = {Hao Di and Yi Yang and Haishan Ye and Xiangyu Chang},
journal= {arXiv preprint arXiv:2310.14337},
year = {2025}
}