RSCFed：随机采样共识联邦半监督学习
计算机视觉与模式识别
2022-03-29 v1
摘要
联邦半监督学习（FSSL）旨在通过对全标注与全无标注客户端训练或部分标注客户端训练来推导全局模型。现有方法在本地客户端具有独立同分布（IID）数据时表现良好，但无法推广到更实际的 FSSL 设定，即 Non-IID 设定。本文提出一种随机采样共识联邦学习，称为 RSCFed，其考虑了来自全标注、全无标注或部分标注客户端的模型间不均衡的可靠性。我们的核心动机是：给定与标注或无标注客户端均存在较大偏差的模型时，可通过对客户端进行随机子采样达成共识。为实现该目标，我们不直接聚合本地模型，而是先通过对客户端随机子采样提炼若干子共识模型，再将子共识模型聚合为全局模型。为增强子共识模型的鲁棒性，我们还提出了一种新颖的距离重加权模型聚合方法。实验结果表明，我们的方法在包含自然图像与医学图像的三个基准数据集上优于最先进的方法。代码见 https://github.com/XMed-Lab/RSCFed。
引用
@article{arxiv.2203.13993,
title = {RSCFed: Random Sampling Consensus Federated Semi-supervised Learning},
author = {Xiaoxiao Liang and Yiqun Lin and Huazhu Fu and Lei Zhu and Xiaomeng Li},
journal= {arXiv preprint arXiv:2203.13993},
year = {2022}
}
备注
CVPR 2022, code: https://github.com/XMed-Lab/RSCFed