0 简介

论文：Model-ContrastiveFederatedLearning
代码：https://github.com/QinbinLi/MOON
相关链接：本文主要是将SimCLR对比学习的思想迁移到联邦学习中，关于SimCLR的介绍见https://blog.csdn.net/search_129_hr/article/details/130419626

1 核心思想

SimCLR对比学习的对象是：

• 图像$x$先经过数据增强后得到的$x_i$和$x_j$，然后经过特征提取器$R_w(\cdot )$得到的特征$z_i$和$z_j$，训练的参数就是特征提取器的参数$w$；
• 总体想法是同一张图片得到的特征要相似，不同图片得到的特征不相似；

本文提出的联邦学习MOON对比学习的对象为：

• $w^t$：the global model全局模型；
• $w_i^t$：客户端$P_i$的局部模型；
• $R_{w^t}(x)$：图像$x$经过全局模型提取的特征$z_{glob}$；
• $R_{w_i^t}(x)$：图像$x$经过局部模型提取的特征$z_{local}$；