面向联邦域泛化的协作式语义聚合与校准
计算机视觉与模式识别
2023-05-26 v4
摘要
域泛化 (DG) 旨在从多个已知源域学习一个能良好泛化至未知目标域的模型。现有 DG 方法通常利用共享多源数据的融合来训练可泛化模型。然而，如今海量数据分散于各处，受隐私政策限制而无法共享。本文中，我们解决联邦域泛化问题，即源数据集因隐私保护只能本地访问与学习。我们提出一种称为协作式语义聚合与校准 (CSAC) 的新框架以应对这一挑战性难题。为充分吸收多源语义信息且避免不安全的数据融合，我们通过逐层融合在分离域上训练的模型来实现无数据语义聚合。为解决域偏移引起的语义错位问题，我们进一步设计带注意力机制的跨层语义校准，以对齐各语义层级并增强域不变性。我们以协作方式将多源语义学习与对齐统一起来，交替重复语义聚合与校准，保持各数据集本地化，并谨慎保护数据隐私。大量实验表明，我们的方法在解决这一挑战性问题上具有显著性能。
引用
@article{arxiv.2110.06736,
title = {Collaborative Semantic Aggregation and Calibration for Federated Domain Generalization},
author = {Junkun Yuan and Xu Ma and Defang Chen and Fei Wu and Lanfen Lin and Kun Kuang},
journal= {arXiv preprint arXiv:2110.06736},
year = {2023}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering (TKDE)