原型增强联邦学习

标签偏斜下精度提升28%

通过校准softmax与原型特征增强平衡分类器，在严重标签偏斜和客户端丢失场景下性能稳健。

徐建 · Meilin, Yang · 丁文伯 · 黄绍伦

Applied Intelligence 2025

参数信息

准确率提升

28 %

技术优势

精度显著提升

通过校准softmax和原型特征增强平衡分类器，在严重标签偏斜和客户端丢失下，方法在Fashion-MNIST和CIFAR-10上均优于基线。

轻量级设计

方法不引入重型计算组件，在资源受限的边缘设备上也能运行，有利于实际部署。

应用场景

• 联邦边缘学习：在边缘设备上训练全局模型，即使客户端数据偏斜且常掉线也能保持精度。
• 分布式模型训练：替换本地损失和数据增强模块，提升分布式训练在数据偏斜下的鲁棒性。
• IoT数据分析：在物联网数据分布不均且设备易离线时，提供可靠的协作模型训练。
• 隐私保护机器学习：保持数据本地化，仅交换模型信息，同时缓解标签偏斜对全局模型的影响。