FedSDWC: Federated Learning mit kausaler Dual-Representation für OOD-Erkennung

Mit dem wachsenden Fokus auf Datenschutz und der rasanten Entwicklung verteilter Recheninfrastrukturen hat sich Federated Learning (FL) als zentrales Paradigma für kollaboratives Training etabliert. Doch die Realität bringt häufig große Unterschiede in den Datenverteilungen – sei es durch Kovariaten- oder semantische Verschiebungen – die die Zuverlässigkeit von FL in praxisnahen Anwendungen stark beeinträchtigen.

Um diesen Herausforderungen zu begegnen, stellt FedSDWC ein neues kausales Lernverfahren vor, das sowohl invariant als auch variant Features integriert. Durch die Modellierung der schwachen kausalen Wechselwirkung zwischen diesen Merkmalen erfasst FedSDWC invariantere Strukturen und baut direkt kausale Repräsentationen auf. Dadurch wird die Fähigkeit von FL, sich auf unbekannte Daten (OOD) zu generalisieren und solche zu erkennen, deutlich verbessert.

Die Autoren liefern zudem eine theoretische Analyse, in der sie die Generalisierungsfehlergrenze von FedSDWC unter bestimmten Bedingungen ableiten und erstmals die Beziehung zu den prior-Verteilungen der Clients aufzeigen. Diese Resultate legen die mathematische Basis für die beobachteten Leistungssteigerungen.

In umfangreichen Experimenten auf mehreren Benchmark-Datensätzen demonstriert FedSDWC seine Überlegenheit gegenüber bestehenden Methoden. Im Vergleich zu FedICON erzielt es durchschnittlich 3,04 % höhere Genauigkeit auf CIFAR‑10 und 8,11 % auf CIFAR‑100, was die Effektivität der kausalen Dual-Representation in realen Szenarien unterstreicht.