.png){kind=icon}
返回
Prototype-guided cyclic federated learning with knowledge distillation
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.115276.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种新颖的联邦学习（FL）框架，称为基于原型引导的循环联邦学习与知识蒸馏（PCFedKD），用于解决分布式机器学习中的数据异构性挑战。与传统FL模型不同，PCFedKD通过整合全局和局部原型，实现个性化模型训练的同时确保高效的全局知识共享。该框架利用循环训练方法，客户端依次参与知识蒸馏（KD）以在各训练轮次中保留和精炼知识。KD促进了客户端间的知识高效转移，提高了学习精度并减少了通信开销。此外，原型的使用提供了数据类别的特定表示，有助于对齐全局知识与客户端特定的局部数据分布。全局原型捕捉客户端间的共享知识，而局部原型引导客户端特定的个性化，从而提升模型适应性和性能。总而言之，PCFedKD建立了一种轻量级且保护隐私的FL范式，通过原型引导的循环蒸馏协同增强全局共识与局部个性化。大量实验表明，该方法显著优于基准模型，在包括特征和标签偏移的数据集上实现了更高的精度、更快的收敛速度和更好的可扩展性。结果表明，所提出的框架在实际异构FL场景中具有实用性和鲁棒性。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Minimal sourced and lightweight federated transfer learning models for skin cancer detection.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏
Prototype-Based Decentralized Federated Learning for the Heterogeneous Time-Varying IoT Systems
PREAI
分享收藏Cafe: Improved Federated Data Imputation by Leveraging Missing Data HeterogeneityCafe：通过利用缺失数据异质性改进联邦数据插补
PREAI
分享收藏Prototype-Decomposed Knowledge Distillation for Learning Generalized Federated Representation
IF0
PREAI
分享收藏
查看更多内容