Nuova ricerca mette in discussione le ipotesi dell'Apprendimento Federato Prototipico sulla discriminazione di classe

Un recente articolo di ricerca mette in discussione ipotesi fondamentali nell'Apprendimento Federato Prototipico (FedPL), un approccio utilizzato per gestire l'eterogeneità dei dati nell'Apprendimento Federato (FL). Lo studio, pubblicato come arXiv:2503.13543v2, sostiene che i metodi esistenti danno priorità all'aumento delle distanze inter-classe tra i prototipi per migliorare la discriminazione di classe, ma ciò avviene a un costo. Questi approcci interrompono involontariamente cruciali relazioni semantiche tra le classi, essenziali per la generalizzazione del modello. Il documento osserva che l'efficacia di FedPL dipende fortemente dalla qualità dei prototipi, con i clienti che costruiscono collaborativamente centri di caratteristiche globali e allineano le caratteristiche locali per mitigare gli effetti dell'eterogeneità dei dati. Questa interruzione delle relazioni semantiche solleva una questione significativa su come costruire prototipi che preservino intrinsecamente queste connessioni. La ricerca suggerisce che apprendere direttamente queste relazioni potrebbe offrire un percorso migliore, sfidando l'ipotesi prevalente che distanze inter-classe maggiori portino automaticamente a prestazioni superiori.