Federated open intent classification via granular-ball knowledge representation

Jie Zhang

doi:10.1016/j.neunet.2026.108817

Federated open intent classification via granular-ball knowledge representation

2026-03-06

0

PRE

AI

DOI：10.1016/j.neunet.2026.108817

原文链接

原文求助

摘要

En 中文

开放意图分类（OIC）旨在同时识别已知意图和检测未知意图，以应对开放世界场景。然而，现有OIC方法依赖于从不同设备收集的集中式数据，这在隐私担忧下通常不可行。为解决此问题，我们将联邦学习范式融入开放意图分类，使得在去中心化环境下既能实现已知意图识别，又能进行未知意图检测。但该设置仍存在三个核心挑战：跨客户端的类别不一致性、对客户端特定分布的利用不足以及伪未知样本的失控生成。为克服这些问题，我们提出了一种基于粒度球表示的联邦开放意图分类方法（FedOC-GB）。在训练阶段，每个客户端构建粒度球表示以捕捉局部类别结构、生成结构感知的伪未知样本，并构建隐私保护的已知类别本地知识库。在服务器端，我们聚合来自本地客户端的模型参数和粒度球知识，以构建全局模型和统一知识库，从而在推理阶段实现多粒度决策边界用于开放分类。在三个基准数据集（CLINC、BANKING和StackOverflow）上的全面实验表明，FedOC-GB持续优于当前最先进的联邦OIC方法，平均F1-All和ACC分别提升了4.3%和3.7%。这些结果验证了粒度球表示在实现隐私感知且结构保留的联邦开放意图识别中的有效性。源代码公开于https://github.com/jiezhang64/FedOC-GB。

Keyword:

Federated Learning

Open Intent Classification

Granular-Ball Representation

Privacy-Preserving

Unknown Intent Detection

Federated open intent classification via granular-ball knowledge representation

摘要

期刊

机构

引用论文