7、FedECCR：基于编码器对比和分类器校正的联邦优化算法

FedECCR：基于编码器对比和分类器校正的联邦优化算法

在联邦学习领域，数据异质性导致的模型偏差是影响模型性能的关键问题。FedECCR 算法通过编码器原型对比训练和分类器无偏模拟校正两个核心阶段，有效解决了这一问题，提升了模型的准确性和可扩展性。

1. FedECCR 核心阶段概述

FedECCR 主要由以下两个核心阶段构成：
- 编码器原型对比训练 ：为使不同客户端编码器的特征映射一致并提升其判别能力，在原分类损失 Lossce 基础上添加原型对比损失 Losspc 重构客户端损失函数。 Losspc 促使编码器提取的特征向量向对应类别原型聚集，远离其他类别原型，监督客户端编码器学习一致且高区分度的特征映射。
- 分类器无偏模拟校正 ：为消除分类器的模型偏差、提高分类准确率，基于高斯混合模型生成类别平衡的模拟特征，用这些模拟特征重新训练全局分类器模型参数，校正分类决策。

2. 编码器原型对比训练

深度学习模型强大的数据拟合能力依赖多层模型结构，编码器特征映射的判别能力直接影响分类器的分类准确率。但在联邦学习中，数据异质性导致不同客户端编码器学习的特征映射不一致，全局编码器提取的特征判别能力低，影响模型分类准确率。

为解决上述问题，基于原型学习和对比学习技术的特征相似性对比构建原型对比损失，监督客户端特征的特征映射学习，使客户端编码器学习一致且高可分的特征映射，降低编码器的模型偏差。

原型对比损失 Losspc </