Zespół badaczy opublikował pracę opisującą FedSPC — modułową metodę korekcji dla spersonalizowanego uczenia federacyjnego (PFL). Problem, który adresuje, jest fundamentalny: w wielu obecnych podejściach PFL model dzielony jest na część wspólną i personalizowaną, które są trenowane razem. Jednak gdy różni klienci optymalizują różne lokalne cele, parametry wspólne otrzymują niespójne aktualizacje, co osłabia jakość wspólnej reprezentacji.
FedSPC proponuje eleganckie rozwiązanie — stosuje korekcję control-variate wyłącznie do wspólnych parametrów, zostawiając część personalizowaną bez zmian. To podejście ma kluczową zaletę: jest modularne i może zostać zintegrowane z istniejącymi metodami PFL. Naukowcy testowali integrację z trzema popularnymi architekturami: wspólnymi ekstraktorami cech, wspólnymi klasyfikatorami i w pełni wspólnymi modelami z regularyzacją lokalną.
Wyniki eksperymentów na zbiorach CIFAR-100 i Tiny-ImageNet z architekturami ViT, ResNet-34 i VGG-11 są obiecujące. FedSPC konsekwentnie poprawiła wydajność dla pięciu znanych metod PFL: FedPer, FedRep, FedBABU, LG-FedAvg i Ditto. To sugeruje, że prosta korekta wspólnych parametrów może być kluczem do bardziej stabilnego i efektywnego uczenia federacyjnego, szczególnie w scenariuszach z dużą heterogenicznością danych pomiędzy klientami.