FedCausal-Dyn: Een Causaal-Dynamisch Paradigma voor Federated Learning onder Dynamische Kenmerkafwijking

Gepubliceerd 14 July 2026

Dit artikel behandelt het probleem van dynamische kenmerkafwijking in federated learning, waarbij datadistributies in de loop van de tijd evolueren. De voorgestelde aanpak, FedCausal-Dyn, introduceert een causale-dynamische structuur die domain-invariante causale kenmerken scheidt van spurious, domeinspecifieke variaties. Dit wordt bereikt door middel van gespecialiseerde projectiekoppen en adversarial training, wat leidt tot betrouwbare en dynamische aggregatie van prototypes. Experimenten tonen aan dat FedCausal-Dyn consistent state-of-the-art prestaties levert, met de hoogste gemiddelde nauwkeurigheid en stabiliteit. Dit biedt een robuuste oplossing voor federated learning in niet-stationaire omgevingen.