基于動態(tài)閾值增強(qiáng)原型網(wǎng)絡(luò)的聯(lián)邦半監(jiān)督學(xué)習(xí)模型

摘要： 目前，聯(lián)邦半監(jiān)督學(xué)習(xí)面臨著有效利用訓(xùn)練過程中大量無標(biāo)簽數(shù)據(jù)的挑戰(zhàn)。盡管通過輕量級的原型網(wǎng)絡(luò)實(shí)現(xiàn)客戶端之間的知識共享可以緩解偽標(biāo)簽質(zhì)量問題，但仍然有瓶頸。本文提出一種新的動態(tài)閾值增強(qiáng)下的原型網(wǎng)絡(luò)聯(lián)邦半監(jiān)督學(xué)習(xí)算法。通過引入課程偽標(biāo)簽技術(shù)，其核心是對不同類別樣本的學(xué)習(xí)狀態(tài)動態(tài)調(diào)整閾值，使模型能夠?qū)W習(xí)高質(zhì)量的樣本，顯著提高模型的預(yù)測性能。實(shí)驗(yàn)結(jié)果表明，本算法在多個數(shù)據(jù)集上均取得優(yōu)異的...