FedGCA：基于单源联邦域泛化的全局一致数据增强
人工智能
2024-09-24 v1 计算机视觉与模式识别
摘要
联邦域泛化(FedDG)旨在训练全局模型，以获得对未知域的泛化能力，同时使用多域训练样本。然而，受限于内在抽样和时间限制，联邦学习网络中的客户端常被限制在单个非独立同分布(non-IID)域内。跨域互动的缺失以及域内差异的存在，阻碍了域共性特征的学习，并限制了现有FedDG方法的效果，称为单源联邦域泛化(sFedDG)问题。为解决此问题，本文引入联邦全局一致数据增强(FedGCA)方法，采用风格互补模块对数据样本进行多样化域风格增强。为确保增强样本的有效集成，FedGCA采用全局引导语义一致性和类别一致性，缓解了单个客户端内部语义的不一致以及跨多个客户端类别间的不一致。广泛的实验表明，FedGCA的优越性。
引用
@article{arxiv.2409.14671,
title = {FedGCA: Global Consistent Augmentation Based Single-Source Federated Domain Generalization},
author = {Yuan Liu and Shu Wang and Zhe Qu and Xingyu Li and Shichao Kan and Jianxin Wang},
journal= {arXiv preprint arXiv:2409.14671},
year = {2024}
}
备注
6 pages, 7 figures, conference