FedOC-GB：基于粒度球知识表示的联邦开放意图分类方法

本文介绍了一种联邦开放意图分类（Federated Open Intent Classification, OIC）新方法——FedOC-GB。该方法首次将联邦学习（FL）范式与粒度球（Granular-Ball, GB）表示学习相结合，旨在解决隐私保护下、客户端类别不一致的开放意图识别难题。通过在客户端构建粒度球以捕捉局部类别结构，并生成结构感知的伪未知样本，在服务器端聚合模型与知识库，最终实现了对已知意图的精准分类与未知意图的有效检测。实验表明，该方法在多个基准数据集上显著优于现有联邦OIC方法。

　　

方法

传统的开放意图分类（OIC）方法依赖从不同设备收集的大规模集中式数据，这在隐私敏感的场景下往往不可行，因为用户数据无法被轻易收集或聚合。本文中，我们提出了一种联邦开放意图分类框架来解决这一核心挑战。

实验

在呈现实验结果之前，我们先简要概述一下所提出的FedOC-GB框架的整体工作流程，以便顺利地从方法论过渡到分析。FedOC-GB运行在联邦学习（FL）环境中，其中每个客户端执行基于粒度球（Granular-Ball, GB）的表征学习，以捕获已知意图的局部分布，并通过基于质心的插值和遗传进化生成伪未知样本。在本地优化之后，服务器……

结论

本文提出了FedOC-GB，这是首个（据我们所知）支持在隐私约束下进行分布式训练的联邦开放意图分类框架，解决了集中式数据收集受限的挑战。在客户端，FedOC-GB采用粒度球表示来构建本地知识库，以捕获已知意图的内在分布，从而实现更准确的分类，而无需共享原始数据。此外，我们设计了一种……