FedCCRL：基于跨客户端表示学习的联邦域泛化方法
机器学习
2024-11-27 v4 人工智能
摘要
域泛化（Domain Generalization, DG）旨在训练能够有效推广至未见域的模型。然而，在联邦学习（Federated Learning, FL）中，客户端在不直接共享数据的情况下协同训练模型，大多数现有域泛化算法由于隐私限制以及每个客户端数据量和域多样性有限，无法直接应用于FL场景。为解决这些挑战，我们提出了FedCCRL，这是一种轻量级的联邦域泛化方法，可在保持隐私的同时显著提高模型的泛化能力，并确保计算和通信效率。具体而言，FedCCRL包含两个主要模块：第一个是跨客户端特征扩展模块，通过跨客户端域迁移和域不变特征扰动增加本地域多样性；第二个是表示与预测双阶段对齐模块，使模型能够有效捕获域不变特征。大量实验结果表明，FedCCRL在不同客户端数量的FL设置下，在PACS、OfficeHome和miniDomainNet数据集上实现了状态的最佳性能。代码已公开于https://github.com/sanphouwang/fedccrl
引用
@article{arxiv.2410.11267,
title = {FedCCRL: Federated Domain Generalization with Cross-Client Representation Learning},
author = {Xinpeng Wang and Yongxin Guo and Xiaoying Tang},
journal= {arXiv preprint arXiv:2410.11267},
year = {2024}
}