FedSPC：为个性化联邦学习矫正共享参数，提升模型表现
个性化联邦学习（PFL）是应对数据异构性的重要范式，其中许多方法将模型拆分为共享参数和个性化参数，二者在客户端联合训练。然而，这带来了一个优化难题：共享参数由优化不同本地目标的客户端更新，导致更新不一致，削弱共享表征。为攻克这一瓶颈，研究团队提出 FedSPC（Federated Shared Parameter Correction），一种模块化矫正方法，仅对共享参数施加控制变量矫正，保留个性化参数不变。FedSPC 可无缝集成到三种主流 PFL 设置中：共享特征提取器、共享分类器以及带本地正则化的全共享模型。
实验在 CIFAR-100 和 Tiny-ImageNet 数据集上，使用 ViT、ResNet-34 和 VGG-11 模型，覆盖 FedPer、FedRep、FedBABU、LG-FedAvg 和 Ditto 等代表性 PFL 方法。结果显示，FedSPC 显著提升了所有方法的性能，证明了其有效性和通用性。该工作已被 FL@FM-IJCAI 26（IJCAI 2026 联合研讨会）接收。
核心价值：轻量级矫正，无需重构架构
FedSPC 的设计哲学是“即插即用”：它不改变 PFL 方法的原有框架，仅在训练过程中对共享参数添加控制变量矫正项，类似 SVRG 或 SAGA 中的方差缩减思想。这使得 FedSPC 能够直接应用于现有方法，无需重新设计模型结构或增加额外通信成本。
实验亮点：跨模型、跨数据集的一致性提升
- 图像分类任务：在 CIFAR-100 上，FedSPC 使 FedPer 的准确率提升约 2-3 个百分点；在 Tiny-ImageNet 上，对复杂模型（如 ViT）的增益更为明显。
- 鲁棒性：即便在高度异构的数据分区下，FedSPC 仍能稳定改善共享参数的一致性，避免因本地目标冲突导致的表征漂移。
适用场景：从边缘计算到隐私敏感应用
PFL 广泛应用于医疗、金融等数据孤岛场景。FedSPC 的矫正机制尤其适合以下情况：
- 客户端数据分布差异大（非 IID）
- 需要保留本地个性化能力，同时维持全局共享知识的通用性
- 希望以最小改动升级现有 PFL 系统
未来方向：理论分析与扩展
作者指出，未来可进一步探索 FedSPC 的收敛性理论，并考虑将其扩展到跨设备联邦学习中的通信效率优化。此外，结合自适应矫正步长或动态参数分组，可能带来更多性能提升。
总而言之，FedSPC 为个性化联邦学习提供了一种务实而高效的优化方案，在不增加额外负担的前提下，有效缓解了共享参数更新不一致的固有问题。