Heterogeneous Federated Dynamic Graph HyperNetwork for Image Classification

doi:10.1109/TIP.2026.3672375

Heterogeneous Federated Dynamic Graph HyperNetwork for Image Classification

2026-03-16

0

PRE

AI

DOI：10.1109/TIP.2026.3672375

原文链接

原文求助

摘要

En 中文

联邦学习（FL）能够在分布式客户端之间实现隐私保护的合作，但实际部署中常面临异构模型和非独立同分布（non-IID）数据的问题，导致通信效率下降和个性化效果减弱。此外，现实世界的FL系统常遇到新加入的客户端，需要快速适应，以及异常客户端可能上传损坏的更新，进一步加剧系统不稳定性并阻碍全局收敛。为解决图像分类中的这些挑战，我们提出了HFedDGHN，一种异构联邦动态图超网络，联合建模客户端间关系和个性化参数生成。具体而言，图结构学习器自适应地捕捉客户端相关性以构建动态协作图，而图卷积超网络为异构架构生成模型参数，实现无需共享本地数据或权重的隐式知识传递。此外，该框架天然支持基于元学习（meta-learning）的泛化能力，能够高效适应新加入的客户端。更进一步，动态图通过隔离异常客户端来增强鲁棒性，因为这些异常客户端在自适应图构建过程中往往被排除在大多数邻域之外。在多个基准上的广泛实验表明，HFedDGHN相较于最先进的个性化及异构FL方法，实现了更优的准确率，同时自然地提升了现实部署中的鲁棒性和可扩展性。

Keyword:

Federated learning

heterogeneous and personalized model

graph structure learning

statistical and model heterogeneity

Heterogeneous Federated Dynamic Graph HyperNetwork for Image Classification

摘要

期刊

机构