Mar, 2023

处理联邦半监督学习中的类别变量不平衡问题

PDF
TL;DR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。
federated semi-supervised learningdistributed environmentdata imbalanceprivacyclass-variable learning algorithm
发现论文，激发创造
  • 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

  • RSCFed: 随机采样共识联邦半监督学习

    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。

    Mar, 2022

  • 类别不平衡的半监督学习

    本文提出一种称为类别不平衡半监督学习（CISSL）的任务，介绍了现有的类别不平衡 SSL 方法，并提出了一种所谓的压抑一致性损失（SCL）的正则化方法，该方法对于类别不平衡情况具有鲁棒性，在 CISSL 环境下比传统方法表现更好。

    Feb, 2020

  • 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

  • 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

  • 具有类别不平衡减少的联邦学习

    用于解决联邦学习中数据隐私问题导致的设备端数据无法被中心服务器使用的问题，本文提出了一种基于估计方案的设备选择算法，以最小化类别不平衡来提高联邦学习全局模型的收敛性能。

    Nov, 2020

  • 联邦学习中的类别不平衡调查

    本文针对联邦学习中的数据不平衡问题，介绍了目前研究中针对该问题的进展，包括不需要真实数据的数据不平衡程度评估方法、数据不平衡处理方法及其优缺点、常用的评估指标，以及未来的研究方向。

    Mar, 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

  • 基于分类器偏移的不平衡类别联邦学习

    本文提出了一种名为 FedShift 的简单有效方法，通过在本地训练阶段添加分类器输出上的漂移来减轻类别不平衡的负面影响，在理论上证明了 FedShift 中的分类器漂移可以使局部最优点一致于全局最优点，并确保算法的收敛，实验表明 FedShift 在准确性和通信效率方面优于各种数据集上的其他最新联邦学习方法。

    Apr, 2023

  • 使用双重控制器解决联邦半监督学习中的数据不平衡问题

    该论文提出了一种名为 FedDure 的新型 FSSL 框架，其中采用双重调节器（C-Reg 和 F-Reg）来解决数据分布不同的 FSSL 实际和挑战场景，并用双层优化来调整模型的训练过程，理论和实证结果都表明 FedDure 优于现有方法，特别是在 CIFAR-10 和 CINIC-10 数据集上。

    Jul, 2023