RCC-PFL：面向带噪标签的个性化联邦学习中的鲁棒客户端聚类
机器学习
2025-03-26 v1 分布式、并行与集群计算
信息论
网络与互联网体系结构
信号处理
math.IT
摘要
我们解决了在个性化联邦学习（PFL）设置中进行聚类身份估计的问题，此时用户旨在学习不同的个人模型。在此设置下，有效学习的关键在于将用户聚类到其目标相似的群体中。文献中典型的方法是通过在不同的proposed personal model上训练用户数据，并根据用户损失函数值最小的模型将其分配到群体中。该过程将在群体身份收敛后迭代完成。然而，在此设置中，用户具有噪声标签数据，这可能产生误导性的损失函数值，从而导致聚类效果不佳。为克服这一挑战，我们提出一种基于标签无关的数据相似性的聚类算法，称为RCC-PFL，具有三个主要优势：聚类身份估计过程独立于训练标签；它是一种在训练前进行的单次聚类算法；且与迭代式聚类方法相比，需要更少的通信轮数和计算资源。我们使用各种模型和数据集验证了所提出的算法，表明其在平均准确率和方差降低方面均优于多个基线方法。
引用
@article{arxiv.2503.19886,
title = {RCC-PFL: Robust Client Clustering under Noisy Labels in Personalized Federated Learning},
author = {Abdulmoneam Ali and Ahmed Arafa},
journal= {arXiv preprint arXiv:2503.19886},
year = {2025}
}
备注
to appear in the 2025 IEEE International Conference on Communications