基于风格共享的去中心化域生成：形式模型与收敛分析
机器学习
2026-02-02 v4 人工智能
摘要
大多数联邦学习（FL）聚焦于本地数据统计在训练和测试之间保持不变的情形。然而，由于分布迁移，这一假设在实际中常不成立，动机促使开发基于源域数据训练能对未见目标域具有泛化能力的域生成（DG）方法。本文受两个现有 FL 和 DG 工作中的主要缺口启发：（1）缺乏对 DG 目标的形式数学分析；（2）FL 中的 DG 研究仅限于星型拓扑结构。我们发展了去中心化联邦域生成与风格共享（Decentralized Federated Domain Generalization with Style Sharing，），一种允许点对点网络中设备基于共享从其数据集中推断的风格信息实现 DG 的去中心化 DG 算法。此外，我们提供了系统化的方法来分析去中心化网络中的基于风格的 DG 训练。我们将现有的集中式 DG 算法置于我们的框架内，并利用其形式化模型来建模 。随后我们获得 可保证收敛的分析条件。通过在流行 DG 数据集上的实验，我们展示 在目标域上比基线去中心化梯度方法以最小通信开销获得显著精度提升。
引用
@article{arxiv.2504.06235,
title = {Decentralized Domain Generalization with Style Sharing: Formal Model and Convergence Analysis},
author = {Shahryar Zehtabi and Dong-Jun Han and Seyyedali Hosseinalipour and Christopher G. Brinton},
journal= {arXiv preprint arXiv:2504.06235},
year = {2026}
}