联邦对抗域适应
计算机视觉与模式识别
2025-08-26 v3 机器学习
摘要
联邦学习提升了分布式设备网络（如手机、物联网与可穿戴设备等）上机器学习的隐私性与效率。然而，由于域偏移问题，联邦学习训练的模型仍可能无法泛化至新设备。域偏移指源节点采集的带标签数据与目标节点无标签数据在统计上不同。本文针对联邦域适应问题提出一种原则性方法，旨在使各节点所学表示与目标节点的数据分布对齐。我们的方法将对抗适应技术扩展至联邦设置的约束下。此外，我们设计动态注意力机制并利用特征解耦以增强知识迁移。在实验上，我们在若干图像与文本分类任务上进行广泛实验，并在无监督联邦域适应设定下展示出有前景的结果。
引用
@article{arxiv.1911.02054,
title = {Federated Adversarial Domain Adaptation},
author = {Xingchao Peng and Zijun Huang and Yizhe Zhu and Kate Saenko},
journal= {arXiv preprint arXiv:1911.02054},
year = {2025}
}
备注
Published as a conference paper at ICLR 2020