几何知识引导的局部全局分布对齐方法在联邦学习中的应用

本研究解决了联邦学习中数据异质性问题，特别是本地与全局分布的显著不一致导致的优化方向偏差。通过提出几何引导的数据生成方法，研究引入了嵌入分布的几何形态，并利用全局几何形状指导新样本生成，显著提升了在高度异质数据场景下的模型表现。实验结果表明，该方法在标签偏差与领域偏差共存的情况下，显著优于现有方案。

本研究针对联邦学习中的数据异质性问题，提出了一种几何引导的数据生成方法，通过全局几何形状指导新样本生成，显著提升模型性能。实验结果表明，该方法在标签偏差与领域偏差共存的情况下优于现有方案。

几何引导数据异质性标签偏差模型性能联邦学习