基于放电频率的脉冲式联邦学习异构信息融合框架 SFedHIFI
机器学习
2026-03-17 v1
摘要
脉冲式联邦学习 (Spiking Federated Learning, SFL) 因其在脉冲神经网络 (Spiking Neural Networks, SNNs) 能源效率方面的优势而受到广泛关注。然而，现有 SFL 方法要求模型同质化，并假设所有客户端都有充足的计算资源，从而排除了一些资源受限的客户端。为解决现实场景中普遍的系统异构性问题，使允许客户端根据本地资源自适应部署不同规模模型的异构 SFL 系统至关重要。为此，我们提出了 SFedHIFI，即一种基于放电频率的脉冲式联邦学习框架。具体而言，SFedHIFI 采用通道级矩阵分解，在资源异构的客户端上部署不同复杂度的 SNN 模型。基于此，提出的异构信息融合模块实现了不同宽度模型之间的跨尺度聚合，从而提高了多样化本地知识的利用率。在三个公开基准数据集上的大量实验表明，SFedHIFI 能够有效实现异构 SFL，持续优于所有三个基线方法。与基于 ANN 的联邦学习相比，它仅在准确率上略有牺牲，却实现了显著的能源节省。
引用
@article{arxiv.2603.14956,
title = {SFedHIFI: Fire Rate-Based Heterogeneous Information Fusion for Spiking Federated Learning},
author = {Ran Tao and Qiugang Zhan and Shantian Yang and Xiurui Xie and Qi Tian and Guisong Liu},
journal= {arXiv preprint arXiv:2603.14956},
year = {2026}
}
备注
9 pages, 1 figure