FedAnchor: 为未标记的客户端增强联邦半监督学习的标签对比损失
内容提要
该文综述半监督联邦学习研究进展，涵盖ProtoFSSL、FedMatch、IsoFed、FedoSSL、SSFL、pFedKnow、FedCNI等方法，聚焦标签不足、数据异构、通信成本与标签噪声等挑战，并在医学图像等数据集上验证有效性。
延伸解读
半监督联邦学习的核心挑战
文章梳理了半监督联邦学习（SemiFL）面临的主要挑战：标签不足、数据异构、通信成本与标签噪声。这些挑战在医学图像等实际场景中尤为突出，因为标注成本高且数据分布差异大。理解这些挑战有助于读者把握不同方法的设计动机，例如FedMatch针对标记与未标记客户端的数据利用，IsoFed则专门处理带标签和无标签客户端的分离训练。
方法演进与场景适配
从2020年的FedMatch到2023年的FedoSSL，SemiFL方法不断演进，覆盖了从传统联邦学习到开放世界、资源受限等多样化场景。ProtoFSSL通过原型网络降低通信开销，pFedKnow利用剪枝和预训练模型实现个性化，FedCNI则专注于标签噪声和类别不平衡。这些方法表明，SemiFL研究正从通用框架向特定问题定制化发展，读者可根据自身场景的约束选择参考。
医学图像验证的启示
文章多次提到在医学图像数据集上验证方法有效性，如IsoFed在四种不同模态的医学图像上评估。这反映了SemiFL在医疗领域的应用潜力，因为医学图像标注需要专业医生，成本高昂，且不同医院的数据分布差异大。这些验证结果增强了方法在实际医疗场景中的可信度，但也提示读者注意，其他领域（如自然图像）的泛化能力仍需进一步检验。
Q&A
半监督联邦学习主要面临哪些挑战？
半监督联邦学习主要面临标签不足、数据异构、通信成本高以及标签噪声等挑战。
ProtoFSSL 方法有什么特点？
ProtoFSSL 是一种基于原型网络的半监督联邦学习方法，它通过轻量级原型实现客户端之间的知识共享，减少了通信和计算成本，并在多个数据集上实现了更高的准确性。
FedMatch 方法解决了什么问题？
FedMatch 方法针对联邦半监督学习问题，通过联合利用标记和未标记客户端的数据来学习联邦模型，并改进了传统的一致性正则化机制，在实际医院数据集上证明了有效性。
IsoFed 方案在哪些数据集上进行了评估？
IsoFed 方案在四种不同模态的医学图像数据集上进行了评估，并在不同的实验设置下验证了所提出方法的有效性。
FedoSSL 框架解决了什么问题？
FedoSSL 框架解决了分布式和开放式环境下训练过程中异构分布未知类所导致的偏差，通过使用抑制损失增强聚合效果和校准模块确保知识传递一致，并在 CIFAR-10、CIFAR-100 和 CINIC-10 等真实数据集上进行了验证。
pFedKnow 框架如何降低通信成本？
pFedKnow 框架通过神经网络剪枝技术生成轻量级的个性化客户端模型以降低通信成本，并将预训练的大型模型作为先验知识来指导个性化客户端模型的聚合，以进一步提高框架性能。
FedCNI 方法如何处理标签噪声和类别不平衡？
FedCNI 方法通过使用噪声鲁棒局部求解器和强健的全局聚合器，在联邦学习的小规模本地数据集中解决标签噪声和类别不平衡带来的挑战，并在混合异构联邦学习场景中实现了比现有技术更好的性能。
