May, 2024

FedProK: 基于样本原型特征知识迁移的可信联邦增量学习

PDF
TL;DRFederated Class-Incremental Learning (FCIL) aims to improve trustworthiness by transferring knowledge using FedProK, a method that leverages prototypical feature knowledge transfer, demonstrating superior performance in spatial-temporal knowledge transfer.
发现论文，激发创造
  • 联邦式增量类别学习与提示

    提出了一种名为 FCILPT 的新方法，通过使用提示来减轻旧类别的灾难性遗忘，将与任务相关和任务不相关的知识编码到提示中，解决了非独立分布的数据和新类别的到来所导致的问题。在 CIFAR-100、Mini-ImageNet 和 Tiny-ImageNet 的实验证明 FCILPT 相比现有方法取得了显著的准确性改进。

    Oct, 2023

  • 用层次生成原型来减少联邦式增量学习中的偏见

    该研究提出了一种通过使用可学习的提示来约束增量和联邦偏差的方法，从而提高全局模型的预测准确性，并在平均准确率上提供了 7.9% 的增加。

    Jun, 2024

  • 面向异构客户的个性化联邦学习与聚类知识迁移

    本研究提出了一种适用于高度数据和系统异构的个性化联邦学习框架 PerFed-CKT，可使用不同的模型架构，通过簇内共同训练和知识传输来降低通信成本并在测试中获得高精度。

    Sep, 2021

  • FedProto: 跨异构客户端的联邦原型学习

    该论文提出了一种新的联邦原型学习 (FedProto) 框架，借助全局原型而不是梯度来弥补跨客户端的异质性，从而提高局部模型的性能。

    May, 2021

  • ProtoFL: 基于原型蒸馏的无监督联合学习

    我们提出了 'ProtoFL'，基于原型表示蒸馏的无监督联邦学习，以增强全局模型的表示能力并降低往返通信成本，同时引入基于归一化流的本地一类分类器以改善有限数据的性能。我们在 MNIST、CIFAR-10、CIFAR-100、ImageNet-30 和 Keystroke-Dynamics 等五个广泛使用的基准测试上进行了大量实验，以展示我们提出的框架在文献中的先前方法上的卓越性能。

    Jul, 2023

  • FedProc：基于原型构造对比的非独立同分布联邦学习

    该研究提出了 FedProc，即原型对比联邦学习，一种简单有效的联邦学习框架，通过利用原型作为全局知识来纠正每个客户的本地训练，使用本地网络架构和全局对比损失来规范本地模型的训练，从而最终获得在非 I.I.D 数据上良好的性能。

    Sep, 2021

  • MP-FedCL：面向边缘智能的多原型联合对比学习

    本文提出了一种使用多原型策略的联邦对比学习方法 (MP-FedCL)，旨在增强分散式智能服务中的隐私保护功能，并在标签和特征分布不独立且倾斜的情况下，证明了多原型策略的有效性，并在 MNIST，Digit-5，Office-10 和 DomainNet 等多个数据集上显示出优异的性能.

    Apr, 2023

  • 联邦式类增量学习

    本文提出了一种全局 - 本地遗忘补偿（GLFC）模型，以解决联邦学习中的灾难性遗忘问题，包括本地遗忘和全局遗忘，并考虑到了隐私和类别不平衡等问题。

    Mar, 2022

  • 联邦侦察：高效、分布式、分类增量学习

    在分布式客户端独立地学习新概念并高效地交流知识的计算机学习问题中，我们提出了一种评估框架和方法基线，比较了学习算法并发现原型网络是一种强大的方法，其对灾难性遗忘具有鲁棒性，并高效地合并新信息。我们证明，原型向量的在线平均是有效的客户端模型合并，每个类别只需要很少的通信开销，内存和更新时间而无需梯度学习或超参数调整。

    Sep, 2021

  • 使用对比学习方法的预训练模型联邦学习

    本文提出了一种轻量级框架，使客户端通过融合多个预训练模型生成的表示而不是从头开始训练大规模模型来共同学习；我们设计了一种基于原型的对比学习（FedPCL）方法，以原型为共享信息进行知识传递，从而提高各个客户端利用现有模型的能力并保持通信效率。

    Sep, 2022