联邦域泛化中的标签平滑与平衡去中心化训练
机器学习
2025-02-11 v2 人工智能
摘要
本文提出了一种新颖的方法——联邦域泛化中的标签平滑与平衡去中心化训练（FedSB），以应对联邦学习框架内的数据异构性挑战。FedSB在客户端层面使用标签平滑来防止对特定领域特征的过拟合，从而在将局部模型聚合为全局模型时增强跨不同领域的泛化能力。此外，FedSB引入了一种去中心化预算机制，用于平衡各客户端之间的训练，这被证明能提升聚合全局模型的性能。在四个常用的多领域数据集（PACS、VLCS、OfficeHome和TerraInc）上进行的大量实验表明，FedSB优于竞争方法，在四个数据集中有三个达到了最先进的结果，证明了FedSB在应对数据异构性方面的有效性。
引用
@article{arxiv.2412.11408,
title = {Federated Domain Generalization with Label Smoothing and Balanced Decentralized Training},
author = {Milad Soltany and Farhad Pourpanah and Mahdiyar Molahasani and Michael Greenspan and Ali Etemad},
journal= {arXiv preprint arXiv:2412.11408},
year = {2025}
}
备注
Accepted at ICASSP 2025