面向多源域适应的联邦数据集字典学习
机器学习
2023-11-09 v2 人工智能
摘要
在本文中，我们提出了一种联邦域适应的方法，该设定下客户端之间存在分布偏移且部分客户端拥有无标签数据。所提出的框架 FedDaDiL 通过对经验分布进行字典学习来应对由此产生的挑战。在我们的设定中，客户端的分布代表特定域，FedDaDiL 集体训练一个联邦经验分布字典。具体而言，我们基于数据集字典学习框架，设计了协作通信协议与聚合操作。所选择的协议保持客户端数据隐私，从而相比其中心化对应方法增强了整体隐私性。我们通过（i）Caltech-Office、（ii）TEP 和（iii）CWRU 基准上的大量实验实证表明，我们的方法成功在目标域上生成了带标签数据。此外，我们将我们的方法与其中心化对应方法以及其他联邦域适应基准进行了比较。
引用
@article{arxiv.2309.07670,
title = {Federated Dataset Dictionary Learning for Multi-Source Domain Adaptation},
author = {Fabiola Espinoza Castellon and Eduardo Fernandes Montesuma and Fred Ngolè Mboula and Aurélien Mayoue and Antoine Souloumiac and Cédric Gouy-Pailler},
journal= {arXiv preprint arXiv:2309.07670},
year = {2023}
}
备注
7 pages,2 figures; v2: fixed typos