SUM：面向联邦类增量学习的时空自适应向量统一几何手术

联邦类增量学习（Federated Class Incremental Learning, FCIL）是联邦学习与持续学习的交叉领域，旨在使分布式智能系统能够在数据孤岛之间协作，并持续适应新任务。然而，这种结合带来了两种耦合的干扰源：来自异构客户端的空间干扰和来自顺序任务的时间干扰，两者共同导致时空灾难性遗忘（Spatial-Temporal Catastrophic Forgetting, ST-CF）。现有方法通常采用独立机制分别处理空间和时间干扰，但这往往需要额外的客户端计算或通信开销，并且在聚合过程中对更新之间的方向性交互缺乏规范。例如，一些方法通过正则化或回放来缓解遗忘，但增加了客户端负担；而另一些则试图在服务器端调整聚合权重，但未能有效协调不同来源的更新方向。

在这项被ECCV 2026接收的研究中，Jaeik Kim和Jaeyoung Do将FCIL重新解释为一个统一的多任务学习问题，其中客户端和任务更新都被表示为共享参数空间中的自适应向量。基于这一观点，他们提出了SUM（Unified Geometric Surgery on Spatio-Temporal Adaptation Vectors），这是一个纯服务器端的框架，在聚合过程中对自适应向量执行几何手术。SUM包含两个主要组件：空间SUM在每个通信轮次内缓解客户端级别的干扰，它通过调整客户端更新向量的方向来减少异构性带来的冲突；因果在线时间SUM则随时间推移消除跨任务干扰，它利用因果推断确保任务更新不会干扰之前的任务知识。这两种组件都不需要额外的客户端计算、通信或内存开销，仅依赖标准的联邦训练过程。

实验结果表明，SUM在多种视觉和语言基准测试中，相比先前的FCIL方法实现了高达22%的性能提升。例如，在CIFAR-100和Tiny-ImageNet等图像分类任务以及文本分类任务上，SUM一致优于现有方法。同时，该方法对不可靠的客户端保持鲁棒性，即使部分客户端掉线或上传损坏的更新，SUM仍能维持性能。此外，SUM的计算效率与标准联邦学习相当，没有引入显著开销。论文的代码和更多细节可通过arXiv获取（arXiv:2607.19384）。该工作为联邦持续学习提供了一种优雅且高效的解决方案，有望推动分布式智能系统在实际应用中的部署。