面向野外基于外观的视线估计的联邦学习方法
人机交互
2022-11-15 v1
摘要
近年来，视线估计方法已显著成熟，但训练深度学习模型所需的大量眼部图像带来了显著的隐私风险。此外，不同用户之间的异构数据分布会严重阻碍训练过程。在这项工作中，我们提出了首个用于视线估计的联邦学习方法，以保护视线数据的隐私。我们进一步采用伪梯度优化，使我们的联邦学习方法适应不同的模型更新，以解决野外视线数据在协作设置中的异构性。我们在真实世界数据集（MPIIGaze）上评估了我们的方法，并表明我们的工作增强了传统基于外观的视线估计方法的隐私保证，处理了视线估计器的收敛问题，并且显著优于原始联邦学习，平均误差从10.63度降至8.95度，提升了15.8%。因此，我们的工作为开发隐私感知的协作学习设置用于视线估计铺平了道路，同时保持了模型的性能。
引用
@article{arxiv.2211.07330,
title = {Federated Learning for Appearance-based Gaze Estimation in the Wild},
author = {Mayar Elfares and Zhiming Hu and Pascal Reisert and Andreas Bulling and Ralf Küsters},
journal= {arXiv preprint arXiv:2211.07330},
year = {2022}
}
备注
NeurIPS 2022 - Gaze Meets ML Workshop