NeurIPS 2025 | 北大等提出C²Prompt：解耦类内与类间知识，破解联邦持续学习“双重遗忘”难题

今天想跟大家聊一篇来自北京大学、中国科学院大学和内蒙古工业大学的最新研究成果，这篇论文已经被 NeurIPS 2025 接收。

想象一下，我们有很多智能设备（比如手机），它们各自在本地学习新知识，同时又需要协作共享，共同进步。这个场景就是“联邦学习”。但如果任务是持续不断更新的，比如今天识别猫狗，明天学习识别鸟类，问题就变得复杂了，这就是“联邦持续学习”（Federated Continual Learning, FCL）。

FCL面临一个非常棘手的“双重遗忘”问题：一是“时间遗忘”，即模型在学习新知识时忘记了旧知识；二是“空间遗忘”，即不同设备（客户端）学习到的知识相互冲突，导致全局模型性能下降。

最近，基于“提示”（Prompt）的方法在FCL领域表现不错，它通过固定一个大的预训练模型，只为每个任务学习和交换一些轻量的“提示”来解决问题。但作者发现，现有方法在处理跨客户端的“类别级知识一致性”时存在短板，这会加剧“双重遗忘”。

为了解决这个问题，研究者们提出了一个名为 C²Prompt 的新方法。这个名字也很有意思，C² 代表“Class-aware Client”，即“感知类别的客户端”，Prompt点明了这是一种基于提示的方法，合起来就是“为联邦持续学习设计的、能感知类别并进行客户端知识交互的提示方法”。

文章标题：C²Prompt: Class-aware Client Knowledge Interaction for Federated Continual Learning

核心思想：两大组件解耦知识冲突

C²Prompt的核心在于，它在客户端之间进行提示（Prompt）交流时，显式地增强了“类别级知识的一致性”。它主要通过两个巧妙设计的组件来实现：

本地类别分布补偿 (Local Class Distribution Compensation, LCDC) 这个组件用来解决“类内分布差异”问题。简单来说，不同客户端上关于同一个类别的数据可能看起来不太一样（比如客户端A的“猫”都是橘猫，客户端B的都是黑猫），这会导致学习到的“猫”的语义表示有偏差。LCDC通过在本地收集各个类别的特征分布，上传到服务器进行聚合，估算出一个“全局平均”的类别分布，然后再发回给各个客户端。客户端利用这个全局分布来训练一个“补偿提示”，把本地有偏差的特征“拉回”到全局平均水平，从而增强了类内知识的一致性。

实验效果：全面超越SOTA

为了验证C²Prompt的实力，作者在ImageNet-R、DomainNet和CIFAR-100等多个主流FCL基准上进行了大量实验。

从上表可以看到，无论是在ImageNet-R还是DomainNet数据集上，C²Prompt在平均准确率（Avg）等多个关键指标上都显著优于之前的所有方法，达到了 新的SOTA 水平。例如，在ImageNet-R上，它的平均准确率达到了 87.20% ，相比之前最好的方法Powder提升了 2.51% 。

上图展示了在持续学习过程中，模型在已见任务上的平均准确率变化曲线。可以看到，C²Prompt的曲线（红色实线）不仅全程领跑，而且保持了非常平稳的上升趋势，这说明它在新旧知识之间取得了很好的平衡，有效抑制了灾难性遗忘。

为了证明两个核心组件（LCDC和CPA）的有效性，作者还进行了消融实验。结果显示，单独使用任何一个组件都能带来性能提升，而将两者结合使用时，效果最好，证明了它们之间的互补性。

更有趣的是，通过可视化提示的注意力图，可以发现C²Prompt生成的提示能更精准地聚焦于图像中的判别性区域（比如物体的关键部分），而忽略不相关的背景。这直观地证明了该方法学习到的知识质量更高。

在通信开销方面，C²Prompt也控制得相当不错。相比之前的方法，它只带来了非常微小的额外开销，这在资源受限的边缘设备上尤为重要。

作者还在不同的数据异构性（β值）下进行了测试，发现在数据分布差异极大的情况下（β值很小），C²Prompt的优势更加明显，这充分说明了其鲁棒性。

超参数的分析也表明了模型的稳定性和设计的合理性。

最后，更多的可视化结果进一步佐证了C²Prompt在不同数据集上的优越性。

总结

这篇工作非常有启发性。它没有停留在简单地聚合或选择提示，而是深入到了“类别”这个更细的粒度，去分析和解决知识冲突的根源。通过解耦类内和类间的知识交互，C²Prompt为解决联邦持续学习中的“双重遗忘”问题提供了一个非常优雅且有效的方案。这种对知识进行精细化管理的思想，或许能为未来FCL甚至更广泛的分布式学习领域的研究带来新的思路。