Краткое содержание

arXiv:2503.15414v2 Тип объявления: замена-перекрёстная Аннотация: Федеральное обучение стремится стимулировать сотрудничество между распределёнными клиентами, сохраняя конфиденциальность их локальных данных. Традиционно методы федерального обучения предполагают фиксированную настройку, при которой данные клиентов и цели обучения остаются неизменными. Однако в реальных сценариях новые клиенты могут присоединяться, а существующие клиенты могут расширять набор меток сегментации по мере изменения требований задачи. В такой динамической среде федерализованного анализа традиционная стратегия федерации коммуникации через агрегирование модели на каждом раунде связи становится неоптимальной. Присоединение новых клиентов требует переобучения, линейно увеличивая нагрузку на коммуникационные ресурсы и вычисления. Это также накладывает требования к синхронизированной коммуникации, которую трудно обеспечить среди распределённых клиентов. В данной статье мы предлагаем стратегию непрерывного федерального обучения, использующую однократное агрегирование моделей на сервере посредством мультимодельной дистилляции. Т