A Model-Based Federated Semi-Supervised Learning
Notice bibliographique
Résumé
Federated learning (FL) in real-world scenarios often faces the challenge of a lack of labeled data on the client side, while obtaining labeled data is costly or requires expertise. In this paper, we address this challenge through federated semi-supervised learning (FSSL), leveraging labeled and unlabeled data distributed on both the server and the client. Based on the existing FSSL framework, we propose an improved method that introduces a modified client consistency mechanism and an enhanced pseudo-label generation strategy to more efficiently use unlabeled data, thereby improving the model generalization. Our classification experiments on common datasets CIFAR-10, MNIST and SVHN show that the proposed method outperforms the existing baseline models. Specifically, on the CIFAR-10 dataset, the proposed method achieves an accuracy improvement from 78.68% to 80.01% under the IID setting and from 46.52% to 52.85% under the non-IID setting. For the MNIST dataset, the accuracy increases from 97.70% to 98.34% in the IID setting and from 95.11% to 95.60% in the non-IID case. On the SVHN dataset, the accuracy rises from 92.29% to 92.54% under IID conditions and improvement from 80.26% to 81.62% in the non-IID setting. These results enhance the generalizability of the FL model. Our code is available at https://github.com/AIPMLab/IJCNN25_FSSL.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».