人工智能的蓬勃发展依赖于大量的标记数据,但随着数据安全法律法规的出台,数据的采集和获取受到了极大的限制,这将影响人工智能相关应用的发展。解决该问题可以从数据和模型两方面入手。从数据方面,可以使用联邦学习方法,保证用户数据在不离开本地的情况下,训练共享的机器学习模型;从模型方面,小样本学习可以通过少量训练数据使得模型具有较高的泛化水平。联邦小样本方法结合了联邦学习和小样本学习的优点,它借助了联邦框架的隐私保护性,对分布在不同客户端上的独立小样本任务进行联合训练,目的是得到能快速适应新任务的小样本模型。但是,在具体设计实现过程中,还有以下挑战。首先,为了让低算力客户端能顺利参与联邦训练,目前的联邦小样本算法普遍使用复杂度较低的基于度量的元学习方法。但由于结构简单,也导致了基于度量的元学习方法对新任务的适应能力不足,进而影响预测准确率。其次,数据异质性问题会导致各参与方的局部优化目标和全局优化目标存在偏差,使得联邦小样本算法收敛困难,影响模型的泛化效果。最后,在联邦场景下,由于单个参与方上的数据类别更加相近,进而导致构建出的小样本任务更加困难。困难的小样本任务会加大模型学习难度,影响模型的泛化效果。为了应对以上挑战,本文提出了三种联邦小样本算法。主要贡献如下:1.针对传统的度量元学习方法对新任务拟合能力不足的问题,本文提出了联邦场景下的基于深度映射的度量元学习小样本算法。当前联邦小样本方法中常用的度量元学习方法对新任务的拟合能力不足,为了解决该问题,新算法使用孪生网络为标签数据构造复杂的对比关系,通过引入新的深度映射层,让模型对当前任务的样本度量空间进行自适应变换,使得模型在少量数据情况下能够明确不同类别之间的差异。本文通过实验说明该算法提升了预测准确度,验证了该算法的有效性。2.针对数据异质性导致的联邦模型难以收敛的问题,本文提出了一种联邦个性化的小样本任务训练算法。新算法调整了参与方的本地模型结构,将表示层拆分为学习全局知识的基础表示层和学习相似任务的深度表示层,通过“全局+个性化”的联邦更新方法,让每个本地模型学习全局知识的同时,也重视自身任务特点。相比于传统的全局联邦更新,个性化的联邦更新方式具有更强的抗异质性干扰能力,本文通过实验验证了新算法能够缓解异质性数据带来的收敛困难问题。3.针对联邦场景下的小样本任务往往更加困难的问题,本文提出了一种新的联邦个性化数据增强算法。本文提出的个性化数据增强算法,考虑到了不同类别之间的差异,将数据增强网络应用于个性化联邦,为各个参与方衍生出具有类别特征的增强数据,使小样本模型能获得更多差异较大的样本,降低小样本任务的难度,提升了模型对不同类别样本的学习与识别能力。最后通过实验验证了本文提出的个性化数据增强算法的有效性。总的来说,本文针对当前联邦小样本方法中的不足之处进行了研究和改进,提出了一种朴素联邦场景下的度量元学习小样本算法、一种联邦个性化的深度表征算法和一种联邦个性化的数据增强算法,最后通过大量实验验证了所提方法的可行性和有效性,该研究成果在联邦小样本领域具有一定的学术价值和应用价值。