摘要
联邦学习中的标签偏差会导致客户端漂移，进而降低整体准确性。合成数据增强能够缓解这种不平衡现象，但实现完全的类别平衡需要大量计算成本。为此，我们提出了 FedEAS，这是一种策略，为每个客户端分配一个基于其本地标签分布计算的熵自适应每类生成预算。该预算共同决定了每个客户端生成的数量和样本的去向。因此，总生成预算源自每个客户端的预算，而不是事先固定。
FedEAS 在恢复大部分准确性增益的同时，将生成预算减少了 94.1%。在相同的总生成预算下，它在 CIFAR-10 和 CIFAR-100 数据集上比均匀分配方法提高了多达 18.82%。
博主点评： FedEAS 的设计巧妙地结合了客户端的本地数据分布和生成预算，显著降低了资源消耗，同时有效提升了模型的泛化能力。这一策略为联邦学习中的数据不均衡问题提供了新思路，值得深入研究和应用。