通过基于群体的差异最小化实现无监督多源联邦域适应的扩展

无监督多源域适应(UMDA)利用来自多个源域的标记数据以泛化到未标记的目标域。虽然联邦UMDA通过避免原始数据共享来解决隐私问题，但现有方法随着源数量的增加效果不佳，常 suffer from high computational overhead 或 training instability。我们提出GALA框架，一个可扩展且稳健的联邦UMDA框架，旨在处理高多样性场景。GALA通过耦合一种新的基于群体的差异最小化目标函数，该目标函数以线性复杂度近似成对对齐，以及一种受温度控制的基于簇的加权策略，用于动态源优先级排序。这些组件使跨众多异构源的训练实现稳定、可并行化，从而解决当前文献中 largely unaddressed 的关键可扩展性瓶颈。为评估高多样性场景下的性能，我们引入Digit-18，一个新基准，包含18个数据集，涵盖各种合成和真实世界的域迁移。广泛的实验表明，GALA在标准基准上实现了最先进的结果，在大规模设置中显著优于先前方法，而其他方法要么无法收敛，要么在计算上不可行。