FedSIR: Identificazione Spettrale dei Client e Rielaborazione delle Etichette per l'Apprendimento Federato con Etichette Rumorose

Il nuovo framework multi-stadio, FedSIR, affronta il problema delle etichette rumorose nell'apprendimento federato. A differenza delle tecniche attuali che dipendono da funzioni di perdita o dinamiche resistenti al rumore, FedSIR sfrutta le caratteristiche spettrali delle rappresentazioni delle caratteristiche dei client per rilevare e ridurre il rumore delle etichette. Inizialmente, distingue i client puliti da quelli rumorosi esaminando la coerenza spettrale dei sottospazi delle caratteristiche specifici per classe, mantenendo al contempo un basso overhead di comunicazione. Successivamente, i client puliti forniscono riferimenti spettrali, consentendo ai client rumorosi di rietichettare accuratamente i loro campioni corrotti utilizzando direzioni di classe dominanti e sottospazi residui. Inoltre, un meccanismo di aggregazione consapevole del rumore rafforza la robustezza complessiva. Questo metodo mira a migliorare le prestazioni del modello in ambienti distribuiti con etichette dati inaffidabili.