FedAlign：基于跨客户端特征对齐的联邦域泛化
机器学习
2025-01-28 v1 人工智能
计算机视觉与模式识别
分布式、并行与集群计算
摘要
联邦学习（FL）提供了一种无需直接数据共享即可进行协作模型训练的去中心化范式，但它为域泛化（DG）带来了独特挑战，包括严格的隐私约束、非独立同分布的本地数据以及有限的域多样性。我们引入FedAlign，一个轻量级、隐私保护的框架，旨在通过同时增加特征多样性和促进域不变性来增强联邦设置下的DG。首先，一个跨客户端特征扩展模块通过域不变特征扰动和选择性跨客户端特征迁移扩大本地域表征，允许每个客户端安全地访问更丰富的域空间。其次，一个双阶段对齐模块通过在跨客户端对齐特征嵌入和预测，从而提炼出鲁棒的域不变特征。通过整合这些模块，我们的方法在保持数据隐私的同时，以最小的计算和通信开销实现对未见域的优越泛化。
引用
@article{arxiv.2501.15486,
title = {FedAlign: Federated Domain Generalization with Cross-Client Feature Alignment},
author = {Sunny Gupta and Vinay Sutar and Varunav Singh and Amit Sethi},
journal= {arXiv preprint arXiv:2501.15486},
year = {2025}
}
备注
9 pages, 4 figures