FSSL-UC: Federated Semi-Supervised Learning Model With Uncertainty and Consistency
Notice bibliographique
Résumé
Federated learning (FL) in practical applications frequently encounters the challenge of limited labeled data availability on client devices, where data annotation is often expensive or requires domain expertise. This scarcity, especially under non-independent and non-identically distributed (Non-IID) settings, leads to error accumulation from pseudo-labels and under-utilization of unlabeled data. To overcome this limitation, we propose a federated semi-supervised learning (FSSL) approach that jointly uses labeled and unlabeled data distributed across both server and clients. Building upon existing FSSL frameworks, our method introduces two key innovations: (1) an optimized client consistency regularization mechanism using Kullback-Leibler (KL) divergence for low-confidence samples, and (2) an advanced pseudo-labeling strategy incorporating Entropy Meaning Loss (EML) for high-confidence samples, which are designed to maximize the utility of unlabeled data and enhance model generalization capabilities. Our classification experiments on common (CIFAR-10, CIFAR-100, MNIST, SVHN) and medical datasets (Brain Tumor, Nail Disease) show that the proposed method outperforms the existing baseline models. On CIFAR-10, with only 10% labeled data (IID), the proposed FSSL-UC achieves a 1.33% higher accuracy than FedMatch, while under the more challenging setting of 1% labeled data (Non-IID), the improvement reaches 6.33%. On the brain tumor dataset, with 1% labeled data, FSSL-UC outperforms FedMatch by 14.47% (IID) and 7.61% (Non-IID). In addition, FSSL-UC also showed stable advantages on MNIST, SVHN, and Nail Disease datasets, demonstrating its robustness and generalization ability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,018 | 0,028 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».