基于知识转移的联邦半监督域自适应
机器学习
2022-07-27 v2
摘要
鉴于机器学习环境的快速变化与数据标注的高成本，当源域的标注数据与目标域的部分标注数据在统计上不同时，半监督域自适应（SSDA）就显得必不可少。大多数先前的SSDA研究是集中式进行的，需要同时访问源域和目标域数据。然而，当今许多领域的数据由分布式终端设备上生成。出于隐私考虑，数据可能在本地存储且无法共享，导致现有SSDA研究失效。本文提出一种在多个分布式保密数据集上实现SSDA的创新方法，命名为联邦半监督域自适应（FSSDA）。FSSDA基于策略设计的知识蒸馏技术将SSDA与联邦学习相融合，并通过并行执行源域和目标域训练来提升其效率。此外，FSSDA通过恰当选取一个关键参数（即模仿参数）来控制跨域转移的知识量。进一步，所提出的FSSDA可有效推广至多源域自适应场景。我们进行了大量实验以证明FSSDA设计的有效性与高效性。
引用
@article{arxiv.2207.10727,
title = {Federated Semi-Supervised Domain Adaptation via Knowledge Transfer},
author = {Madhureeta Das and Xianhao Chen and Xiaoyong Yuan and Lan Zhang},
journal= {arXiv preprint arXiv:2207.10727},
year = {2022}
}
备注
8 pages, 5 figures