.png){kind=icon}
返回
Personalized federated learning with multiple classifier aggregation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.113073.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
个性化联邦学习（PFL）因其能够解决客户端之间的统计异质性而受到关注。通常，主流的PFL方法会聚合一个单一的全局模型用于个性化，这可能对具有不同数据分布的客户端来说是不够的。此外，在本地更新中，每个私有数据集被独立用于优化模型，这增加了过拟合当前数据分布和丢失先前获得知识的风险，导致知识遗忘。本研究提出了一种基于多分类器聚合的个性化联邦学习（FedMCA）方法。FedMCA将客户端模型分为头部和基础部分，并采用交替策略分别优化它们，依次针对头部和基础部分进行优化。最初，为解决模型欠佳问题，所提出的方法利用数据分布聚合多个分类器，并采用知识蒸馏来传授正负分类器知识，以学习最合适的个性化模型头部。此外，为缓解知识遗忘，引入了一个可学习的个性化层，并利用隐藏损失来学习全局基础的知识并防止模型基础的过拟合。实验结果表明，所提出的方法在各种基准测试中均取得了具有竞争力的性能，优于大多数现有的PFL算法。源代码公开于https://github.com/xiaye-maker/FedMCA。
Keyword:
Personalized federated learning
Data heterogeneity
Multiple classifier aggregation
Personalized feature extraction
期刊
K
IF:
7.6
论文数:
1.2W
被引数:
4.5W
机构
暂无机构信息
引用论文
Scalable and accurate deep learning with electronic health records通过电子健康记录进行可扩展且准确的深度学习.png)
NPJ DIGITAL MEDICINE
OAAI
NPJ DIGITAL MEDICINEIF15.1
OAAI分享收藏分享收藏Clustered Federated Learning: Model-Agnostic Distributed Multitask Optimization Under Privacy Constraints集群联邦学习: 隐私约束下的模型不可知的分布式多任务优化OAAI
OAAI分享收藏MedMNIST v2 - A large-scale lightweight benchmark for 2D and 3D biomedical image classificationMedMNIST v2-用于2D和3D生物医学图像分类的大规模轻量级基准
OAAI
OAAI分享收藏分享收藏
查看更多内容