DeFed-GMM-DaDiL：面向域适应的去中心化联邦框架
机器学习
2026-05-07 v1
摘要
去中心化多源域适应旨在去中心化设置下，将来自多个异构且相关源域的知识传递到未标记目标域。我们通过完全去中心化的联邦方法解决了这一挑战，DeFed-GMM-DaDiL是GMM-数据集字典学习(DaDiL)框架的一个扩展。每个客户端将其数据集建模为高斯混合模型(GMM)，联邦通过共享、可学习的GMM原子的加权平均来联合近似这些模型。该设计在没有中心服务器的情况下实现适应，同时保留了客户端的隐私。我们实证研究了在目标域缺失类别的情形下所学表征的稳定性。实证结果表明，DeFed-GMM-DaDiL在跨客户端之间保持稳定一致的共享表征，有效重建缺失的类别，并在多源域适应基准测试中实现优异性能。
关键词
引用
@article{arxiv.2605.04324,
title = {DeFed-GMM-DaDiL: A Decentralized Federated Framework for Domain Adaptation},
author = {Rebecca Clain and Eduardo Fernandes Montesuma and Fred Ngole Mboula},
journal= {arXiv preprint arXiv:2605.04324},
year = {2026}
}