半监督联邦ASR的实用方案：在线伪标签与服务器更新稳定化
内容提要
半监督联邦ASR因伪标签误差累积易发散。关键在教师与锚点耦合设计：每客户端在线教师稳定后可媲美或超越全局教师，种子增强后过渡教师更优；服务器需在轮次间持续用标注数据训练以稳定在线教师。该方案在11组中9组超越先前最佳，域内平均提升20.8%，跨域10.0%。
延伸解读
教师与锚点的耦合设计
文章指出，半监督联邦ASR的伪标签误差会沿输出序列和训练轮次累积，导致发散。解决方案依赖于两个耦合的设计轴：教师（生成伪标签的模型）和锚点（服务器端在标注数据上的更新）。每客户端的在线教师单独会发散，但稳定后能媲美或超越广播全局教师；随着种子增强，过渡教师（全局→在线）表现更优。服务器必须在轮次间持续用标注数据训练，否则在线教师会漂移。
稳定化对超参数的敏感性
锚点的稳定化效果高度依赖数据增强和批大小，这两个设置控制服务器注入的输入和梯度噪声。需要多少稳定化是领域相关的，由种子数据的离散度及其与客户端数据的重叠决定。这意味着在实际部署中，不能简单套用固定配置，而需根据领域特性调整增强策略和批大小，以平衡教师选择的激进程度与训练稳定性。
性能提升与领域差异
该方案在11组对比中9组超越先前最佳方法，域内平均提升20.8%，跨域提升10.0%，缩小了与全监督联邦学习的差距。域内提升更显著，说明当种子数据与客户端数据分布匹配时，稳定化更有效；跨域场景下提升较小，反映了领域偏移对伪标签质量的挑战。读者应关注领域重叠程度对方法收益的影响。
Q&A
半监督联邦ASR中伪标签误差累积导致发散，有什么实用的解决方案？
该方案采用在线伪标签与服务器更新稳定化。具体包括：教师轴使用每客户端在线教师（客户端自身演化的模型），稳定后可媲美或超越全局教师；锚点轴要求服务器在轮次间持续用标注数据训练以稳定在线教师。两者耦合设计，在11组实验中9组超越先前最佳，域内平均提升20.8%，跨域10.0%。
在线教师和全局教师有什么区别？哪种效果更好？
在线教师是每个客户端自身演化的模型，全局教师是服务器广播的固定模型。在线教师单独会发散，但一旦稳定，在域内可媲美或超越全局教师，在域偏移下也有竞争力。随着种子数据增强，在线教师优势缩小，此时过渡教师（从全局过渡到在线）可匹配或超越两者。
服务器在训练过程中需要做什么来稳定在线教师？
服务器必须在轮次之间持续用标注数据训练，否则在线教师会漂移。这种交错训练（服务器更新）比种子模型本身更能决定收敛。服务器更新的稳定性对数据增强和批量大小高度敏感，需要根据域依赖调整。
半监督联邦ASR中，教师和锚点为什么必须耦合设计？
因为激进的教师选择只有在锚点稳定训练时才能带来收益。如果服务器不持续用标注数据训练，在线教师会漂移，导致发散。两者不可分割：教师生成伪标签，锚点稳定训练，共同决定收敛。
该方案在实验中的性能提升如何？
在11组对比中，该方案在9组上超越了先前最强方法，域内平均提升20.8%，跨域平均提升10.0%，缩小了与全监督联邦学习的差距。
稳定化需求与域有什么关系？
稳定化需求是域依赖的，由种子数据的分散度及其与客户端数据的重叠程度决定。不同域需要不同程度的稳定化。
