UPFL：面向新客户端的无监督个性化联邦学习
机器学习
2023-08-01 v1 人工智能
摘要
个性化联邦学习因有望解决数据异构性挑战而受到广泛关注。本文研究联邦学习中一个相对未被探索的问题：当联邦模型已训练并部署后，若有未标注的新客户端加入，为其提供个性化模型成为一项极具挑战的任务。为应对该挑战，我们将自适应风险最小化技术扩展至无监督个性化联邦学习设定，并提出我们的方法 FedTTA。我们通过两种简单而有效的优化策略进一步改进 FedTTA：利用代理正则化增强自适应模型的训练，以及通过熵进行自适应的早停。此外，我们专为 FedTTA 设计了知识蒸馏损失以应对设备异构性。在五个数据集上与十一种基线方法的广泛实验证明了我们所提 FedTTA 及其变体的有效性。代码见：https://github.com/anonymous-federated-learning/code。
引用
@article{arxiv.2307.15994,
title = {UPFL: Unsupervised Personalized Federated Learning towards New Clients},
author = {Tiandi Ye and Cen Chen and Yinggui Wang and Xiang Li and Ming Gao},
journal= {arXiv preprint arXiv:2307.15994},
year = {2023}
}