面向跨域一般化的联邦解解构与去偏学习
计算机视觉与模式识别
2025-05-13 v2
摘要
属性偏差在联邦学习（FL）中通常会导致本地模型因学习非因果关联而优化不一致，从而导致性能下降。现有方法要么使用数据增强来增加样本多样性，要么使用知识蒸馏来学习不变表示以解决此问题。然而，这些方法缺乏对推断路径的全面分析，受混杂因素的干扰限制了其性能。为克服这些限制，本文提出了联邦解构与去偏学习方法（FedDDL）。该方法构建结构化因果图以分析模型推断过程，并执行背门调整以消除混杂路径。具体而言，我们为计算机视觉任务设计了内客户端解构学习模块，以解耦背景与物体，生成反事实样本，以建立背景与任意标签之间的联系，从而阻止模型利用背景推断标签。此外，我们设计了跨客户端去偏学习模块以构建因果原型，以减少背景在原型组件中的比例。值得注意的是，我们通过因果原型正则化桥接了异构表示之间的差距。广泛的实验在 2 个基准数据集上表明，\methodname{}显著增强了模型在不可见数据中关注主体物体的能力，平均提高了 9 种当前最先进方法的 4.5% Top-1 准确率。
引用
@article{arxiv.2505.04979,
title = {Federated Deconfounding and Debiasing Learning for Out-of-Distribution Generalization},
author = {Zhuang Qi and Sijin Zhou and Lei Meng and Han Hu and Han Yu and Xiangxu Meng},
journal= {arXiv preprint arXiv:2505.04979},
year = {2025}
}
备注
IJCAI-25 Accepted