FedDAP：面向域偏移的联邦学习域感知原型学习
计算机视觉与模式识别
2026-04-09 v1 人工智能
摘要
联邦学习（FL）使多个客户端能够在不暴露私有数据的情况下进行去中心化模型训练，使其成为隐私敏感应用的理想选择。然而，在真实的联邦学习场景中，客户端通常持有来自不同领域的数据，导致严重的域偏移和全局模型性能下降。为解决这一问题，原型学习已成为一种有前景的解决方案，它利用类别级别的特征表示。然而，现有方法面临两个关键局限：（1）现有的基于原型的联邦学习方法通常通过聚合所有客户端的局部原型来构建每个类别的单一全局原型，而不保留领域信息。（2）当前的特征-原型对齐是域无关的，迫使客户端无论领域来源如何都与全局原型对齐。为应对这些挑战，我们提出了联邦域感知原型（FedDAP），通过相似性加权融合机制在同一领域内聚合局部客户端原型来构建特定领域的全局原型。这些全局特定领域原型随后用于通过将局部特征与同一领域的原型对齐来引导局部训练，同时鼓励与不同领域原型的分离。这种双重对齐增强了局部层面的特定领域学习，并使全局模型能够在不同领域间泛化。最后，我们在三个不同数据集上进行了广泛实验：DomainNet、Office-10 和 PACS，以证明我们所提出框架在应对域偏移挑战方面的有效性。代码可在 https://github.com/quanghuy6997/FedDAP 获取。
引用
@article{arxiv.2604.06795,
title = {FedDAP: Domain-Aware Prototype Learning for Federated Learning under Domain Shift},
author = {Huy Q. Le and Loc X. Nguyen and Yu Qiao and Seong Tae Kim and Eui-Nam Huh and Choong Seon Hong},
journal= {arXiv preprint arXiv:2604.06795},
year = {2026}
}
备注
Accepted at CVPR 2026