联邦域外广泛性：基于因果增强的视角

联邦学习旨在通过整合多源信息来构建可跨所有客户端数据普遍化的模型。现有方法常利用知识蒸馏或数据增强来缓解客户端之间数据偏见的负面影响。然而，教师模型对域外样本的有限性能，以及增强数据与原始数据之间的固有质量差距，阻碍了其效果，而且通常未能充分利用丰富背景信息的优势。为解决这些限制，本文提出了 Federated Causal Augmentation 方法，称为 FedCAug，采用基于因果的增强方法打破属性与类别之间的虚假关联。具体而言，它设计了因果区域局部化模块，以准确识别并解耦图像中的背景与物体，为因果数据增强提供丰富的背景信息。此外，它设计了基于因果的数据增强模块，将因果特征与客户内部背景集成，以生成反事实样本。这显著增强了数据多样性，而整个过程无需在客户端之间共享任何信息，从而有助于数据隐私保护。在三个数据集上的大量实验表明，FedCAug 显著降低了模型对背景预测样本标签的依赖，相较于现有先进方法实现了卓越的性能。