基于演化原型知识的垂直联邦持续学习
机器学习
2025-08-06 v2 神经与进化计算
摘要
垂直联邦学习（VFL）因其隐私保护特性而广受关注，作为面向样本对齐特征联邦的机器学习框架。然而，传统的 VFL 方法未解决类别和特征持续学习的挑战，导致对以前任务知识的灾难性遗忘。为此，我们提出了一种新型垂直联邦持续学习方法，命名为基于演化原型知识的垂直联邦持续学习（V-LETO），主要通过原型的演化来促进从以前任务的知识传递。具体而言，我们提出了一种演化原型知识方法，使全局模型能够保留以前和当前任务的知识。此外，我们引入一种模型优化技术，通过限制局部模型的特定参数更新来缓解以前任务知识的遗忘，从而提升整体性能。在 CIL 和 FIL 两种设置下的大量实验表明，我们的方法 V-LETO 在其他最先进方法中表现更佳。例如，我们的方法在 CIL 和 FIL 任务中分别超过最先进的方法 10.39% 和 35.15%。我们的代码已公开：https://anonymous.4open.science/r/V-LETO-0108/README.md。
引用
@article{arxiv.2502.09152,
title = {Vertical Federated Continual Learning via Evolving Prototype Knowledge},
author = {Shuo Wang and Keke Gai and Jing Yu and Liehuang Zhu and Qi Wu},
journal= {arXiv preprint arXiv:2502.09152},
year = {2025}
}