FedCausal-Dyn

FedCausal-Dyn 框架解决了联邦学习中的动态特征漂移问题

研究人员推出了一种名为 FedCausal-Dyn 的新型联邦学习框架，旨在处理动态特征漂移。该方法使用专门的投影头和对抗性训练来分离因果特征与领域特定变化。它还结合了可靠且动态的原型聚合，在全局聚合之前根据估计的可靠性对局部类原型进行加权。在联邦领域泛化基准上的大量实验表明，FedCausal-Dyn 取得了最先进的性能，具有高准确性和稳定的结果。