规范化就足够了：理解极端标签偏移下的层归一化联邦学习

Aug, 2023

规范化就足够了：理解极端标签偏移下的层归一化联邦学习

Normalization Is All You Need: Understanding Layer-Normalized Federated Learning under Extreme Label Shift

Guojun Zhang, Mahdi Beitollahi, Alex Bie, Xi Chen

TL;DR通过对层归一化与联邦学习中的标签转移问题的深入研究，我们揭示了层归一化与标签转移问题之间的深刻联系，并验证了特征归一化作为层归一化中的关键机制在改善联邦学习的收敛性方面的重要作用。

Abstract

layer normalization (LN) is a widely adopted deep learning technique especially in the era of foundation models. Recently, LN has been shown to be surprisingly effective in federated learning (FL) with non-i.i.d.

layer normalization federated learning label shift problem feature normalization convergence

发现论文，激发创造

非独立同分布场景下联合学习中的规范化层实验

本文研究了使用联邦学习方法在分布式非独立同分布数据集上训练深度学习模型时，采用不同的规范化层和协同频率策略，优化模型性能的效果，研究发现，Batch Normalization 并不是最适合联邦学习的规范化策略，而 Group 与 Layer Normalization 能更有效地提升模型的速度和质量。此外，频繁的模型聚合也能降低模型性能。

Mar, 2023

特征标准化正则化的联邦学习：将不均衡的分布转化为全局洞察

在联邦学习领域，解决非独立同分布的数据问题一直是提高全局模型性能的一个重要挑战。本文提出了特征范数正则化联邦学习（FNR-FL）算法，通过独特地结合类平均特征范数来增强在非独立同分布场景下的模型准确性和收敛性。我们的综合分析发现，相比其他现代联邦学习算法，FNR-FL 不仅加快了收敛速度，而且在特征分布不均衡的情况下显著提高了测试准确率。FNR-FL 的新颖模块化设计使其能与现有的联邦学习框架无缝集成，增强了其适应性和广泛应用的潜力。我们通过严格的实证评估确证了我们的论述，展示了 FNR-FL 在各种不均衡数据分布下的出色性能。相较于 FedAvg，FNR-FL 的准确率提升了 66.24％，训练时间显著减少了 11.40％，凸显了其提高效果和效率的优势。

Dec, 2023

FedFN：解决联邦学习中的数据异质性问题的特征正态化

研究通过实验证明 FedFN 学习方法在训练模型时依然可以保持高效性能，尤其在面对数据异质性和特征表征等问题时表现优异。

Nov, 2023

FedBN：通过本地批量归一化在非独立同分布特征上进行联合学习

本研究提出了一种名为 FedBN 的有效方法，该方法使用本地批量归一化来减轻特征转移非独立同分布问题，并优于现有算法，促进联邦学习的收敛性。

Feb, 2021

在联邦深度学习中优化批标准化

研究表明，在分布式学习中，Batch Normalization 和 Group Normalization 并没有明显差异，而 Batch Normalization 可以用于更广泛的分布式学习设置中。

Mar, 2023

关于层归一化的非线性性

研究论文通过理论和实验分析，探讨了层归一化在深度学习中的非线性和表示能力，并展示了利用层归一化的神经网络结构的有效性以及扩大其非线性的方法。

Jun, 2024

多域联邦学习是否不可或缺归一化？

Federated learning（FL）通过在分散的客户端上进行协同原位训练，增强数据隐私性。然而，FL 面临由于非独立和同分布的（non-i.i.d）数据而引起的挑战，导致潜在的性能下降和收敛阻碍。本研究解决了一个被称为多域 FL 的关键问题，该问题经常被忽略，即客户数据来自具有不同特征分布的不同领域。为了解决 FL 中的多域问题，我们提出了一种称为无标准化联邦学习（FedWon）的新方法。FedWon 通过在 FL 中消除所有标准化，并用缩放的权重标准化重新参数化卷积层，以解决批量标准化面临的挑战。与 FedAvg 和当前最先进的方法（FedBN）相比，我们的结果表明 FedWon 在所有实验设置中均优于它们，某些域的改进超过 10％。此外，FedWon 即使在批量大小为 1 的情况下也能够以强劲的性能处理扭曲的标记分布，并且对于跨 silos 和跨设备的 FL 非常灵活。

Jun, 2023

针对分布式非独立同分布数据的医学图像分类联邦学习的优化，包括部分标签

本文提出 FedFBN，一种使用预训练网络作为模型后端并在训练过程中冻结批归一化层的联邦学习框架，并通过合成 iid 玩具数据集和大规模非 iid 数据集进行评估，结果表明 FedFBN 能够优于使用分布式和非 iid 数据集训练全局模型的当前聚合策略。

Mar, 2023

当联合学习遇到噪声标签时，重审早期学习正则化

FLR 是一种创新策略，通过生成新的伪标签并将本地和全局模型的预测相结合，有效地应对联邦学习中的标签噪声问题，提高全局模型在不同设置下的准确性并防止记忆嘈杂的标签，从而改善在标签准确性有误的 FL 环境中的泛化能力。

Feb, 2024

克服联合学习中批归一化的挑战

在联合学习中，批量标准化 (Federated BatchNorm) 是一种新的机制，它在训练中保持一致性，确保批量标准化与中心化执行中所获得的一致，并准确估计全局统计数据，从而减少外部协变量转移和与中心化设置的评估性能匹配。此外，可以通过稍微增加复杂性来加强 FBN 以减轻错误统计和可能的对抗攻击。

May, 2024