AN AGNOSTIC APPROACH TO FEDERATED LEARNING WITH CLASS IMBALANCE

最新推荐文章于 2025-04-25 15:24:01 发布

江水之南

最新推荐文章于 2025-04-25 15:24:01 发布

阅读量412

点赞数

文章标签：人工智能

本文链接：https://blog.csdn.net/qq_43845774/article/details/131146107

版权

该论文关注于联邦学习(FederatedLearning,FL)中的类不平衡问题，提出了一种不受本地分布信息影响的Agnostic学习策略。通过引入约束以防止客户端的损失过度超过平均损失，强制分类器平等地处理所有类别，从而缓解不平衡的影响。论文使用拉格朗日乘子进行优化，实验设置独特，定义了自己的不平衡比例。尽管理论性强，但可能在某些设置下效果有限，仍能被顶级会议接受。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本地分布和全局分布有可能是不一致的——本地的少数类有可能是全局的多数类。出于隐私考虑，又不能暴露本地分布。

To overcome the aforementioned challenges, we propose a constrained learning formulation to handle the class imbalance issue in FL while accounting for both heterogeneity and privacy. In brief, we impose constraints on the standard FL formulation so that the empirical loss on every client should not overly exceed the average empirical loss. Such constraints are shown to force the classifier to account for all classes equally and hence mitigate the detrimental effect of class imbalance, under a type of heterogeneous data configuration that captures the mismatch between the local and global imbalance.