🤝 联邦学习

🎞️ ECCV2026 · 2 篇论文解读

📌 同领域跨会议浏览： 📷 CVPR2026 (19)

🔥 高频主题： 联邦学习 ×2

Neural Collapse-Inspired Multi-Label Federated Learning under Label-Distribution Skew

FedNCA-ML 先从图像中提取逐类特征，再用各客户端共享的固定等角紧框架及正负特征正则统一表示几何，在多标签 CIFAR-10 的一个偏斜设置中将 macro-AUC 从最佳对照的 83.63 提高到 87.55，但收益并不覆盖所有微平均指标。

Prevention over Correction: Learning Aligned Representations in One-shot Federated Learning

FACE 把单轮联邦学习中的跨客户端表征对齐提前到本地训练，通过共享固定类别方向和防塌缩正则化，让服务器无需再校准即可融合特征，在极端异质划分下将 CIFAR-10 准确率从最佳比较方法的 60.28% 提高到 69.21%。