FACT：联邦对抗交叉训练
机器学习
2023-07-31 v2
摘要
联邦学习（FL）促进分布式模型开发以聚合多个机密数据源。客户端间的信息传递会因分布差异（即非独立同分布数据）而受损。一个尤其具挑战性的场景是在无法获取标注数据的情况下将联邦模型适配至目标客户端。我们提出联邦对抗交叉训练（FACT），其利用源客户端间隐式域差异来识别目标域中的域偏移。在FL的每一轮中，FACT交叉初始化一对源客户端以生成域专用表示，并将其作为直接对手用于学习域不变数据表示。我们通过实验表明，在三个流行的多源单目标基准上FACT优于最先进的联邦、非联邦及无源域适应模型，且在单源单目标实验中优于最先进的无监督域适应（UDA）模型。我们进一步研究了FACT在通信限制与参与客户端数量方面的行为。
引用
@article{arxiv.2306.00607,
title = {FACT: Federated Adversarial Cross Training},
author = {Stefan Schrod and Jonas Lippl and Andreas Schäfer and Michael Altenbuchinger},
journal= {arXiv preprint arXiv:2306.00607},
year = {2023}
}