用于分类的联邦无源域适应：面向无标签数据的加权聚类聚合
机器学习
2025-10-09 v1
摘要
联邦学习（FL）通常假设服务器或某些客户端拥有带标签的数据，但由于标注成本和隐私问题，这往往是不切实际的。为了解决这个问题，我们关注无源域适应任务，其中 (1) 服务器持有在带标签源域数据上预训练的模型，(2) 客户端仅拥有来自各种目标域的无标签数据，(3) 服务器和客户端在适应阶段无法访问源数据。该任务被称为联邦无源域适应（FFREEDA）。具体而言，我们关注分类任务，而先前的工作仅研究语义分割。我们的贡献是新颖的联邦学习加权聚类聚合（FedWCA）方法，旨在仅使用无标签数据来缓解域偏移和隐私问题。FedWCA 包含三个阶段：对客户端进行私有且无需参数的聚类，以在服务器上获得特定于域的全局模型；对聚类客户端的全局模型进行加权聚合；以及使用伪标签进行局部域适应。实验结果表明，FedWCA 在 FFREEDA 中超越了现有的几种方法和基线，证明了其有效性和实用性。
引用
@article{arxiv.2412.13757,
title = {Federated Source-free Domain Adaptation for Classification: Weighted Cluster Aggregation for Unlabeled Data},
author = {Junki Mori and Kosuke Kihara and Taiki Miyagawa and Akinori F. Ebihara and Isamu Teranishi and Hisashi Kashima},
journal= {arXiv preprint arXiv:2412.13757},
year = {2025}
}
备注
Accepted by WACV 2025