FedPartWhole：基于一致性部件-整体层次结构的联邦域泛化
计算机视觉与模式识别
2024-07-23 v1
摘要
联邦域泛化(FedDG)旨在应对在测试时间对未知域的泛化问题，同时满足来自不同客户所在地域的数据隐私约束，防止集中存储来自不同域的数据。现有方法可大致归类为四类：域对齐、数据操作、学习策略以及模型聚合权重的优化。本文提出了一种新的联邦域泛化方法，从骨干模型架构的角度来解决该问题。核心原则是，尽管在显著的域迁移和外观变化下，物体仍保持一致的部件与整体层次结构。例如，照片和素描中的狗共享相同的层次组织，包括头部、身体、四肢等。所引入的架构显式地包含图像解析树的特征表示。据我们所知，这是首个从模型架构角度解决联邦域泛化问题的工作。我们的方法在使用较少参数的情况下， outperform(超越)规模相当的卷积架构12%。此外，该方法具有内在可解释性，与CNN的黑箱本质形成鲜明对比，这在联邦学习中至关重要，能促进对其预测的信任。
引用
@article{arxiv.2407.14792,
title = {FedPartWhole: Federated domain generalization via consistent part-whole hierarchies},
author = {Ahmed Radwan and Mohamed S. Shehata},
journal= {arXiv preprint arXiv:2407.14792},
year = {2024}
}