对比式联邦学习与表格数据孤岛

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。