AdaFedFR：基于自适应类间表示学习的联邦面部识别
计算机视觉与模式识别
2024-05-24 v1
摘要
随着数据隐私和通信安全在面部识别应用中受到关注，联邦学习被引入以在隐私保护 manner 下学习面部识别模型。然而，现有工作仍面临性能不满意和额外通信成本的问题，限制了其在实际场景中的应用。本文提出一种简单且有效的联邦面部识别框架，称为 AdaFedFR，通过设计自适应类间表示学习算法来增强通用面部模型的泛化性和联邦训练的效率，在严格的隐私保护下实现。具体而言，我们巧妙地利用公共身份的特征表示作为可学习的负面知识，以优化特征空间中的局部目标，从而进一步鼓励本地模型学习强大的表示并为客户端优化个性化模型。实验结果表明，在几个流行的面部识别基准测试上，我们的方法在少于 3 轮通信后超越了以往方法，显示出通信友好性和高度的效率。
引用
@article{arxiv.2405.13467,
title = {AdaFedFR: Federated Face Recognition with Adaptive Inter-Class Representation Learning},
author = {Di Qiu and Xinyang Lin and Kaiye Wang and Xiangxiang Chu and Pengfei Yan},
journal= {arXiv preprint arXiv:2405.13467},
year = {2024}
}