Framework di Federated Learning Senza Dati Affronta lo Squilibrio di Classe

Un nuovo framework chiamato CELM (stima del contributo per classe e aggregazione tramite massimizzazione del logit) consente la stima del contributo del cliente senza dati nel federated learning (FL). L'FL permette l'addestramento collaborativo di modelli di visione artificiale senza centralizzare i dati, ma le implementazioni pratiche soffrono spesso di squilibrio di classe e asimmetria delle etichette, causando un overfitting dei clienti dominanti nell'aggregazione standard. CELM non richiede dati grezzi, metadati del cliente o dataset pubblici ausiliari. Il server sonda gli aggiornamenti dei clienti per ottenere punteggi di evidenza per classe, assembla una matrice di evidenza cross-cliente che quantifica la competenza e la copertura per classe, e calcola pesi di contributo che aumentano il peso dei clienti che forniscono evidenza forte per classi sottorappresentate. L'aggregazione risultante è stabile. L'articolo è disponibile su arXiv con ID 2605.18892.