CVPR 2025 | 联合学习-相关论文9篇

主要观点总结

本文介绍了多篇关于联合学习（Federated Learning）的研究论文，这些论文分别涉及dFLMoE、Geometric Knowledge-Guided、Global Sharpness-aware Minimization、FedMIA、多标签后门攻击、FedAWA、Domain Shift Eraser、连续学习数据异构性处理、Heterogeneous One-Shot Federated Learning with Personalized Latent Diffusion Models等多个主题。这些研究探讨了联合学习中数据异构性、隐私保护、模型训练稳定性等问题，并提出了相应的解决方案。

关键观点总结

关键观点1: 介绍dFLMoE框架，解决联合学习中的知识损伤和对中央服务器的依赖性。

dFLMoE通过客户端直接交换轻量级头部模型，并使用特定于客户端的专家混合（MoE）方法做出集体决策，减少知识损伤并增强框架的鲁棒性。

关键观点2: 介绍基于几何知识引导的联合学习局部全局分布对齐方法，解决数据异构性问题。

通过介绍嵌入分布的几何形状概念，使用全局几何形状来指导新样本的生成，更接近理想的全局分布，增强模型泛化能力。

关键观点3: 介绍超越局部锐度：联合学习的通信效率全局锐度感知最小化方法。

使用SAM优化全局锐度，减少通信开销，通过以前的全局梯度近似锐度，消除额外客户端通信的需要。

关键观点4: 介绍FedMIA方法，利用联合学习中“全员为一”原则进行有效成员推理攻击。

通过非目标客户更新概率的单尾似然比假设检验，利用多个通信回合中的来自所有客户端的更新来增强MIA的有效性。

关键观点5: 介绍多标签后门攻击在联合学习中的威胁。

对手可能具有不同的目标，独立运作，展示多标签后门攻击的实际场景和挑战。

关键观点6: 介绍FedAWA中自适应优化聚合权重的方法。

基于客户端向量自适应地调整聚合权重，捕捉模型更新的方向并优化聚合权重分配。

关键观点7:

通过擦除每个客户端的域偏斜并增强一致性来提高模型性能，通过去扭曲特征并个性化消除域倾斜。

关键观点8:

通过调整特征空间中的位置克服参数遗忘和输出遗忘，包括输入增强、局部知识融合和最佳全局原型选择。

关键观点9:

通过个性化潜在扩散模型在实例级别和概念级别对预训练模型进行个性化，根据客户端的本地数据合成图像，解决特征空间异构性和数据稀缺性问题。

免责声明