对比式联邦学习与表格数据孤岛
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了组织在独立数据孤岛中获取知识的困难，尤其是面对不同标识符时的挑战。提出的对比式联邦学习方法有效克服了标签成本的障碍，并在实验中显示出相较于现有方法的更高准确性，为复杂的客户端环境下的数据协作提供了新的思路。
本文研究了联邦环境中的对比学习与用户验证之间的关联，通过在每个客户端的本地SimCLR loss加上用户验证损失，恢复了全局多视图互信息的下界。同时，将SimCLR变体扩展到联邦半监督设置，通过两个改变获得受监督的SimCLR目标。研究还发现不同非独立同分布性的来源对联邦无监督学习的性能有影响。实证评估验证了提出的扩展在各种任务中的有效性，并证明了修改方法的推广性。
