FedProK: Trustworthy Federated Class-Incremental Learning via Prototypical Feature Knowledge Transfer

本文提出了一种名为FedProK的联邦类增量学习方法，旨在在动态联邦学习中不断地将先前的知识转移来学习新的类别。然而，现有方法并未考虑FCIL的可信度，即同时提高连续效用、隐私和效率，这受到灾难性遗忘和客户端数据异质性的极大影响。为了解决这个问题，我们提出了FedProK（联邦原型特征知识转移），利用原型特征作为知识的新表示，进行时空知识转移。具体而言，FedProK由两个组成部分组成：（1）客户端上的特征转换程序，通过从已学习的类别进行时间知识转移；（2）服务器端上的原型知识融合，通过客户端之间的空间知识转移。在同步和异步设置下进行的大量实验证明，我们的FedProK在信任度的三个方面优于其他最先进的方法，验证了其在选择性地转移时空知识方面的有效性。

本论文旨在解决动态联邦学习中类别持续学习的问题，尤其是在数据异构和灾难性遗忘的情况下提高连续效用、隐私和效率的可信度。

本文提出了一种新的知识表示方法——原型特征，以进行时空知识转移，从而解决动态联邦学习中的类别持续学习问题。

本文提出的FedProK方法在同步和异步设置下的实验中均表现出色，实验结果表明该方法在连续效用、隐私和效率三个方面优于其他现有方法。论文使用了多个数据集，并开源了代码。

与此相关的研究包括：《Federated Learning with Matched Averaging》、《Federated Learning with Non-IID Data: Convergence Analysis and Implementation》等。