FedSPC：个性化联邦学习的共享参数校正

arXiv:2606.13748v1 公告类型：新 摘要：个性化联邦学习（PFL）是联邦学习中解决统计异质性同时实现客户特定适应的重要方法之一。许多 PFL 方法将模型分为共享参数和个性化参数，并在每个客户端上联合训练。然而，这会产生一个优化问题：共享参数由优化不同本地目标的客户端更新，这可能导致共享更新不一致并削弱共享表示。为了解决这个问题，我们提出了联合共享参数校正（FedSPC），这是一种 PFL 的模块化校正方法。 FedSPC 仅对给定 PFL 方法的共享参数应用控制变量校正，同时保持个性化参数不变。它可以集成到三种常见的 PFL 设置中：共享特征提取器、共享分类器和具有局部正则化的完全共享模型。使用 ViT、ResNet-34 和 VGG-11 在 CIFAR-100 和 Tiny-ImageNet 上进行的实验表明，FedSPC 提高了代表性 PFL 方法（包括 FedPer、FedRep、FedBABU、LG-FedAvg 和 Ditto）的性能。