面向联邦域适应的 Wasserstein 空间中的数据字典学习
机器学习
2024-07-17 v1
摘要
多源域适应（Multi-Source Domain Adaptation, MSDA）是一种具有挑战性的场景，即必须将多个相关且异构的源数据集适配到未标记的目标数据集。传统MSDA方法常常忽视数据持有者可能存在的隐私顾虑，阻碍直接数据共享。为此，去中心化MSDA方法日益成为一种在不集中客户数据的情况下实现适配的有前景策略。我们的工作提出了一种新方法，即去中心化数据字典学习（Decentralized Dataset Dictionary Learning），以解决这一挑战。该方法利用Wasserstein 球心（Wasserstein barycenters）来建模跨多个客户的数据分布性状，从而在保持数据隐私的同时实现有效适配。具体而言，本算法将每个客户的底层分布表示为公共原子的 Wasserstein 球心，加权由私有球心坐标决定。我们的做法确保在适配过程中保持球心坐标的保密。广泛的实验在五个视觉域适应基准测试中表明，我们的方法优于现有的去中心化MSDA技术。此外，我们的方法在客户并行度方面表现出更好的鲁棒性，同时相对于传统去中心化MSDA方法也保持较好的韧性。
关键词
引用
@article{arxiv.2407.11647,
title = {Dataset Dictionary Learning in a Wasserstein Space for Federated Domain Adaptation},
author = {Eduardo Fernandes Montesuma and Fabiola Espinoza Castellon and Fred Ngolè Mboula and Aurélien Mayoue and Antoine Souloumiac and Cédric Gouy-Pailler},
journal= {arXiv preprint arXiv:2407.11647},
year = {2024}
}
备注
17 pages,7 figures