FedPSFV:通过共享原型进行个性化联合学习,用于识别手指静脉.
Haoyan Xu1,2, Yuyang Guo1,2, Yunzan Qu1,2
1School of Computer Science, Nanjing University of Posts and Telecommunications, Nanjing 210023, China.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
这项研究介绍了FedPSFV,这是一种用于识别手指静脉的新型联合学习算法. 它通过解决数据异质性和改善特征差异化来提高模型的准确性和通用性,这对于保护隐私的生物识别系统至关重要.
科学领域:
- 生物识别和模式识别技术
- 机器学习和人工智能的人工智能
背景情况:
- 由于数据隐私问题和有限的公共数据集,用于指纹静脉识别的深度学习面临挑战.
- 联合学习 (FL) 提供了隐私解决方案,但在客户端数据异质性方面存在困难,影响模型性能,特别是小数据集.
研究的目的:
- 提出一种新的联合指纹静脉识别算法 (FedPSFV),可以克服数据异质性并提高模型性能.
- 在指纹静脉识别的联合学习框架内改善特征差异化和类间距离.
主要方法:
- FedPSFV使用联合学习框架,包括客户之间共享原型,以增加班间距离.
- 该算法集成了一个改进的基于保证金的损失函数,以增强模型的特征差异化能力.
主要成果:
- 在6个公共数据集 (SDUMLA,MMCBNU,USM,UTFVP,VERA,NUPT) 上进行的比较实验证明了FedPSFV的卓越准确性和通用性.
- 与现有方法相比,FedPSFV在TAR@FAR=0.01中实现了5.00-11.25%的改进,并在EER中减少了81.48-90.22%.
结论:
- 通过原型共享和改进的损失函数,FedPSFV有效地解决了联合指脉识别中的数据异质性.
- 拟议的算法显著提高了识别准确性和通用性,为保护隐私的生物识别提供了一个有希望的解决方案.


