去中心化联邦数据集字典学习用于多源域适应

去中心化多源域适应（DMSDA）是一个具有挑战性的任务，旨在去中心化框架内将来自多个相关且异构源域的知识传递到未标记的目标域。我们的工作通过完全去中心化的联邦方法来解决 DMSDA。具体而言，我们通过消除对中心服务器的依赖来扩展 Federated Dataset Dictionary Learning（FedDaDiL）框架。FedDaDiL 利用 Wasserstein barycenters 来建模跨多个客户机的分布性变化，实现有效的适应，同时保持数据隐私。通过去中心化此框架，我们增强了其鲁棒性、可扩展性和隐私性，消除了单点故障的风险。我们将方法与其联邦版本以及其他基准算法进行比较，结果表明该方法能够在完全去中心化的环境中有效地将源域适应到未标记的目标域。