基于扩散模型的数据合成辅助的联邦半监督学习

本研究解决了联邦半监督学习中标注数据稀缺和客户数据非独立同分布的问题。提出的扩散模型辅助的FSSL方法通过生成合成数据来弥补不同客户间的数据异质性，并能有效改善准确率，实验显示在CIFAR-10数据集上，从10%的标注数据情况下，准确率提高了近14%。