商业图像来源的联邦学习
计算机视觉与模式识别
2025-07-18 v1 图像与视频处理
摘要
联邦学习是一种协作式机器学习范例，使多个客户能够在不向彼此暴露数据的情况下学习全局模型。因此，它提供了一个具有隐私保留功能的安全学习平台。本文引入了一个新数据集，包含23,326张来自八个不同商业来源的图像，分为31个类别，类似于Office-31数据集。据我们了解，这是首个专为联邦学习设计的图像分类数据集。我们还提出了两种新的联邦学习算法，即Fed-Cyclic和Fed-Star。在Fed-Cyclic中，客户从其前一个客户获取权重，通过本地训练进行更新，并将其传递给下一个客户，从而形成循环拓扑。在Fed-Star中，客户从所有其他客户获取权重，通过预聚合（以解决统计异构性）和本地训练来更新其本地权重，并将其更新后的本地权重发送给所有其他客户，从而形成类星状拓扑。我们的实验表明，这两种算法在我们新引入的数据集上优于现有基线。
引用
@article{arxiv.2507.12903,
title = {Federated Learning for Commercial Image Sources},
author = {Shreyansh Jain and Koteswar Rao Jerripothula},
journal= {arXiv preprint arXiv:2507.12903},
year = {2025}
}
备注
Published in the Proceedings of IEEE/CVF Winter Conference on Applications of Computer Vision (WACV) 2023 with DOI: 10.1109/WACV56688.2023.00647