针对受损客户端的鲁棒非对称异构联邦学习
机器学习
2025-03-13 v1 人工智能
计算机视觉与模式识别
摘要
本文研究了一个具有挑战性的鲁棒联邦学习任务，涉及模型异构且数据受损的客户端，其中各客户端具有不同的本地模型结构。由于现实部署中随机噪声、压缩伪影或环境条件等因素，数据损坏不可避免，这会严重削弱整个联邦系统。为解决这些问题，本文引入了一种新颖的鲁棒非对称异构联邦学习（RAHFL）框架。我们提出了一种多样性增强的监督对比学习技术，以提升本地模型对各种数据损坏模式的鲁棒性和适应性。其基本思想是利用混合数据增强策略获得的复杂增强样本进行监督对比学习，从而增强模型学习鲁棒且多样化特征表示的能力。此外，我们设计了一种非对称异构联邦学习策略，以抵御来自外部客户端的受损反馈。该策略允许客户端在协作学习阶段执行选择性单向学习，使客户端能够避免纳入来自鲁棒性较差或表现欠佳的协作方的低质量信息。大量实验结果证明了我们的方法在多样化、具挑战性的联邦学习环境中的有效性和鲁棒性。我们的代码和模型已在 https://github.com/FangXiuwen/RAHFL 公开。
引用
@article{arxiv.2503.09206,
title = {Robust Asymmetric Heterogeneous Federated Learning with Corrupted Clients},
author = {Xiuwen Fang and Mang Ye and Bo Du},
journal= {arXiv preprint arXiv:2503.09206},
year = {2025}
}