RSCFed: 随机采样共识联邦半监督学习

CVPRMar, 2022

RSCFed: 随机采样共识联邦半监督学习

RSCFed: Random Sampling Consensus Federated Semi-supervised Learning

Xiaoxiao Liang, Yiqun Lin, Huazhu Fu, Lei Zhu, Xiaomeng Li

TL;DR该研究提出了一种考虑不同类型客户端的随机采样一致性联邦学习算法，即 RSCFed，通过子取样一致性模型的蒸馏和重加权模型聚合来实现，该方法在自然和医学图像等三个基准数据集上表现优于现有方法。

Abstract

Federated semi-supervised learning (FSSL) aims to derive a global model by training fully-labeled and fully-unlabeled clients or training partially labeled clients. The existing approaches work well when local clients have independent and identically distributed (IID) data but fail to

federated learning semi-supervised learning non-iid random sampling consensus federated learning distance-reweighted model aggregation

发现论文，激发创造

带有跨设备一致性与离散学习的联邦半监督学习

研究 Federated Semi-Supervised Learning 问题的两种场景，提出了 FedMatch 方法，通过广泛的实验验证，表明该方法优于本地半监督学习和将联邦学习与半监督学习简单结合的基线。

Jun, 2020

面向联邦开放世界半监督学习的无偏训练

本文提出了一种新的 Federatedopen-world Semi-Supervised Learning（FedoSSL）框架，可解决分布式和开放式环境下训练过程中异构分布未知类所导致的偏差，通过使用抑制损失增强聚合效果和校准模块确保知识传递一致，已在 CIFAR-10， CIFAR-100 和 CINIC-10 等真实数据集上进行了验证。

May, 2023

原型网络的联邦半监督学习

ProtoFSSL 是一种新颖的基于原型网络的半监督 FL 方法，它通过轻量级原型实现客户端之间的知识共享，减少了通信和计算成本，并在多个数据集上实现了更高的准确性。

May, 2022

FedSC: 基于非独立同分布数据的具有光谱对比目标的可证明联邦自监督学习

最近的研究努力将自监督学习与联邦学习框架相结合。提出一种名为 FedSC 的可证明的 FedSSL 算法，基于光谱对比目标，通过周期性共享数据表示的相关矩阵，实现了跨客户数据样本的对比，改善了数据表示的质量，并部署差分隐私保护来控制额外的隐私泄露。实验证实了我们提出算法的有效性。

May, 2024

重思半监督联邦学习：如何同时训练具有完全标记和完全未标记的客户端影像数据

通过提出的分离联合学习（IsoFed）方案，本文研究了在半监督联邦学习中有效训练具有带标签和无标签客户端的方法，并在四种不同模态的医学图像数据集上评估了模型性能，并在不同的实验设置下验证了所提出方法的有效性。

Oct, 2023

SemiFed: 带一致性和伪标记的半监督联邦学习

本文提出了一种名为 SemiFed 的新框架，它将一致性正则化和伪标记方法融合到了联合学习中，以解决跨数据中心联合学习中的部分标记问题，并证明了该方法在同质化和异质化数据分布设置下的有效性。

Aug, 2021

处理联邦半监督学习中的类别变量不平衡问题

本文提出 Federated Semi-supervised Learning for Class Variable Imbalance (FCVI) 来解决数据变量不平衡问题，并采用 class-variable 学习算法来缓解由于类别数量变化而引起的数据不平衡问题，保持客户隐私。

Mar, 2023

通过客户间关系匹配的联合半监督医学图像分类

本论文研究了一个名为 Federated Semi-supervised Learning 的实际而具有挑战性的问题，旨在通过联合利用标记和未标记客户的数据来学习联邦模型，并提供了一种新颖的方法来通过与新的客户关系匹配方案来改进传统的一致性正则化机制在实际医院数据集上的有效性得到了证明。

Jun, 2021

FedAnchor: 为未标记的客户端增强联邦半监督学习的标签对比损失

本文提出了 FedAnchor 方法，它是一种创新的半监督学习方法，引入了独特的双头结构（称为锚头），与仅在服务器上进行训练的分类头配对，锚头使用基于余弦相似度度量的新设计标签对比损失，通过减轻伪标签技术中的确认偏见和过拟合问题，显著提高了模型的收敛速度和准确性。

Feb, 2024

具有极端标签不足的联邦模型的鲁棒训练

我们提出了一种新颖的双模型范式 Twin-sight，通过不同角度从有标签和无标签数据中提供洞察力，以增强相互引导。该方法同时训练具有监督目标函数的监督模型和使用无监督目标函数训练的无监督模型，通过引入邻域保持约束增强两个模型之间的协同效应。通过在四个基准数据集上进行的全面实验，我们有实质性证据表明 Twin-sight 在各种实验设置下可以显著优于现有方法，验证了所提出 Twin-sight 的实效性。

Feb, 2024