基于历史学习轨迹的个性化联邦学习优化方法FedLFH及其在非独立同分布数据中的应用

【编辑推荐】本文提出FedLFH算法，通过引入跟踪变量(LFH组件)保存客户端历史信息，结合全局信息融合(GIF组件)实现知识迁移，有效解决个性化联邦学习(pFL)中非独立同分布(non-IID)数据导致的性能下降问题，实验证明其优于12种前沿方法。

　　

• 我们聚焦个性化联邦学习(pFL)，发现历史信息对个性化建模的关键作用

• 提出FedLFH方法，通过历史信息消除本地性能衰减，促进个性化

• 多数据集实验表明FedLFH在异构场景中优于12种前沿pFL方法

受跟踪机制启发，FedLFH框架包含两大核心：

1. 1.

   历史学习组件(LFH)：采用动态调整矩阵管理跟踪变量θ_i^his，保留客户端独特学习轨迹，避免全局模型初始化导致的性能下降

2. 2.

   全局信息融合(GIF)：通过对齐全局特征提取器?(θ^fe_g)与个性化提取器?(θ^fe_i)实现知识迁移，平衡本地与全局信息

在CIFAR-10等基准测试中：

• FedLFH准确率提升3.7-8.2%，显著缓解图2所示的初始化性能下降现象

• 消融实验验证LFH和GIF组件的协同效应：当β=0.5时特征对齐效果最佳

FedLFH创新性地将历史学习机制引入pFL领域，通过θ_i^his跟踪变量和双特征提取器架构，为异构数据环境下的个性化建模提供了新范式。未来可探索其在医疗影像分析等生命科学场景的应用。