Newest papers

From Classifier Heads to Encoder Prototypes: Personalized Federated Learning with Head-Derived Clustering

Amirardalan Dehghanpour, Arian Noori, Ehsan Tanghatari, Naimeh Omidvar, Hamid R. Rabiee · 2026 · arXiv

DOI: 10.48550/arXiv.2610.30075 · open-access PDF

Spanish

El aprendizaje federado personalizado debe decidir qué clientes deben compartir representaciones. Introducimos HDC-FL (Head-Derived Clustering for Personalized Federated Learning), que lee que la decisión de un entrenamiento de codificación compartida de señales ya produce: las cabezas de clasificación específicas del cliente. En las rondas periódicas de refresco, el servidor proyecta las cabezas en caché en un espacio descriptor de bajo rango normalizado, agrupa los descriptores, construye un prototipo de codificación por grupo de los codificadores del cliente en caché, y devuelve a cada cliente una mezcla suave de esos prototipos en pareja con su propia cabeza inalterada.

Machine translation (Meta M2M100); the English original follows.

Abstract

Personalized federated learning must decide which clients should share representations. We introduce HDC-FL (Head-Derived Clustering for Personalized Federated Learning), which reads that decision off a signal shared-encoder training already produces: the client-specific classifi- er heads. At periodic refresh rounds the server projects the cached heads into a normalized low-rank descriptor space, groups the descriptors, builds one encoder prototype per group from the cached client encoders, and returns to each client a soft mixture of those prototypes paired with its own unchanged head. Clien

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange