FedMeNF：面向神经场的隐私保护联邦元学习
机器学习
2025-08-11 v1 人工智能
计算机视觉与模式识别
分布式、并行与集群计算
摘要
神经场提供了一种内存高效的数据表示方式，能够有效处理多种模态和大规模数据。然而，学习映射神经场通常需要大量的训练数据和计算资源，这对于资源受限的边缘设备来说可能难以满足。解决这一限制的一种方法是利用联邦元学习（FML），但传统的 FML 方法存在隐私泄露问题。为了解决这些问题，我们引入了一种名为 FedMeNF 的新型 FML 方法。FedMeNF 利用一种新的隐私保护损失函数来调控本地元优化中的隐私泄露。这使得本地元学习器能够快速高效地进行优化，而无需保留客户端的私有数据。我们的实验表明，即使在少样本或非独立同分布数据以及多种数据模态下，FedMeNF 也能实现快速的优化速度和鲁棒的重建性能，同时保护客户端数据隐私。
引用
@article{arxiv.2508.06301,
title = {FedMeNF: Privacy-Preserving Federated Meta-Learning for Neural Fields},
author = {Junhyeog Yun and Minui Hong and Gunhee Kim},
journal= {arXiv preprint arXiv:2508.06301},
year = {2025}
}
备注
ICCV 2025