高效组装归一化层与正则化用于联邦域泛化

域偏移是机器学习中一个棘手的问题，它会导致模型在未见过的域上测试时性能下降。联邦域泛化（FedDG）试图以隐私保护的方式利用协作客户端训练一个全局模型，使其能够很好地泛化到可能存在域偏移的未见客户端。然而，大多数现有的FedDG方法要么引起额外的数据泄露隐私风险，要么在客户端通信和计算方面产生显著成本，这些是联邦学习范式中的主要问题。为了规避这些挑战，本文引入了一种新的FedDG架构方法，即gPerXAN，它依赖于一种与引导正则化器配合使用的归一化方案。具体来说，我们精心设计了个性化显式组装归一化（Personalized eXplicitly Assembled Normalization），以强制客户端模型选择性过滤偏向于局部数据的域特定特征，同时保留这些特征的判别性。然后，我们引入了一个简单而有效的正则化器，引导这些模型直接捕获全局模型分类器可以利用的域不变表示。在两个基准数据集（即PACS和Office-Home）以及一个真实世界医学数据集Camelyon17上的大量实验结果表明，我们提出的方法在解决这一特定问题上优于其他现有方法。