在手机、摄像头、智能家居等边缘设备上，每天都产生着海量未标注数据——它们像散落的拼图，单独看用处不大，合起来却能训练出强大的AI模型。但这些数据因隐私保护无法集中，传统联邦学习又依赖有标签数据，如何让分散设备上的AI用“同一种语言”学习？

近日，浙江大学团队提出联邦无监督表示学习（FURL）框架FedCA，通过“共享词典”和“标准模板”两大设计，让分散设备无需上传隐私数据，也能协同学习高质量特征。相关成果发表于《Frontiers of Information Technology & Electronic Engineering》。

分散数据的“语言障碍”：两个核心挑战

联邦学习（FL）是让设备在本地训练、仅上传模型参数的隐私保护技术，但现有方法多依赖有标签数据。而现实中，边缘设备的数据90%以上是未标注的——比如手机相册里的照片、摄像头拍到的街景，这些数据像“无字天书”，传统联邦学习难以直接利用。

无监督表示学习（如对比学习）能从无标签数据中提取有用特征，但当它与联邦学习结合时，面临两大挑战：

1. 表示空间不一致：设备数据分布不均（如A设备只有猫狗照片，B设备只有汽车飞机），导致各自训练的AI“理解世界的方式”不同，有的“只懂动物”，有的“只懂交通工具”，合并后模型效果差；
2. 表示不对齐：即使数据分布相同，训练过程的随机性也会让不同设备的AI“说话角度”不同——比如对同一张猫的照片，A设备的AI用“毛色”描述，B设备的用“体型”，合并后信息混乱。

FedCA：给分散AI装“共享词典”和“标准模板”

为解决这两个问题，团队设计了FedCA算法，核心是两大模块：

1. 字典模块：共享“词汇表”统一表达
传统对比学习需要大量“负样本”（不同类别的数据）来区分特征，但分散设备数据单一，难以提供足够负样本。FedCA让服务器维护一个“共享词典”：每次训练时，各设备用当前模型提取本地数据的特征，上传到服务器汇总成全局词典；本地训练时，设备用这个词典里的特征作为负样本，相当于“借”其他设备的数据来丰富自己的学习。
打个比方，A设备只有猫狗数据，B设备只有汽车飞机，共享词典就像把两者的“词汇”（特征）合并成一本“百科全书”，A设备学习时能参考汽车飞机的特征，避免“只懂动物”。

2. 对齐模块：用“标准模板”统一“说话方式”
为避免不同设备的AI“说话角度”不同，团队先在少量公共数据（如STL-10图像集）上训练一个“基础模型”，然后要求所有设备的模型向它“看齐”。就像老师先写一篇范文，学生写作文时模仿范文的结构和用词，确保表达一致。

实验：准确率提升5%-10%，跨场景效果显著

在CIFAR-10、CIFAR-100等经典数据集上，团队验证了FedCA的效果：

• 线性评估：在无监督学习后固定特征提取器，训练线性分类器，FedCA在CIFAR-10上准确率达71.25%（ResNet-50），比传统联邦对比学习（FedSimCLR）高3.15%；
• 半监督学习：仅用1%的标注数据微调，FedCA在CIFAR-10上准确率达50.67%（ResNet-50），比直接联邦学习高24个百分点；
• 迁移学习：将FedCA训练的模型迁移到新任务（如用MiniImageNet学的模型做CIFAR-10分类），效果也优于基线方法。

未来：让边缘设备AI“协同进化”

团队表示，FedCA目前主要针对图像数据，未来计划扩展到跨模态场景（如结合文本、视频、语音），让手机、摄像头、智能音箱等不同设备的AI“协同进化”。“这一技术能让分散设备在不泄露隐私的前提下，共同学习更通用的特征，为个性化推荐、智能识别等场景提供更强大的支持。”

来源: 信息与电子工程前沿FITEE