科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着边缘设备计算能力的不断增强，联合学习（Federated Learning,FL）应运而生，它可以在不考虑隐私问题的情况下进行模型训练。现有的大多数研究都假设数据在客户端是完全标记的。然而，在实践中，标记的数据量是有限的。近年来，联合半监督学习（Federated Semi-Supervised Learning,FSSL）被认为是一种在训练过程中有效利用未标记数据的方法。文章提出了一种新的基于联合半监督学习的方法。在该方法中，客户之间通过轻量级原型进行知识共享，避免了局部模型的发散。为了计算未标记数据的损失，每个客户端基于共享原型创建准确的伪标签。伪标签与标记数据一起为局部原型提供训练信号。与基于权重共享的FSSL方法相比，基于原型的客户间知识共享显著降低了通信和计算成本，使更多客户之间能够更频繁地共享知识，从而提高了准确性。在多个数据集上，与最近的有无知识共享的FSSL方法（如FixMatch、FedRGD和FedMatch）相比，该方法具有更高的准确率，在SVHN数据集上性能与完全受监督的FL方法相当。
- 单位
