在哪里产生问题：标签倾斜联邦学习的预算感知综合增强

arXiv:2607.06616v1 公告类型：新 摘要：联邦学习 (FL) 中的标签偏差会导致客户端漂移并降低全局准确性。合成数据增强可以减少这种不平衡；然而，全类平衡需要大量的计算成本。我们提出 FedEAS，这是一种为每个客户端分配根据其本地标签分布计算的熵自适应每类生成预算的策略。预算共同决定\emph{每个客户生成多少}以及\emph{样本去向}。因此，总发电预算取决于每个客户的预算，而不是提前固定。 FedEAS 恢复了全级平衡的大部分精度增益，同时将发电预算减少了 94.1%。在相同的总发电预算下，它在 CIFAR-10 和 CIFAR-100 中比统一分配高出 18.82%。