FedSDAF：利用源域感知提升联邦域泛化
机器学习
2026-02-24 v4
摘要
传统联邦域泛化（FedDG）方法关注学习域无关特征或适应未见目标域，往往忽视在严格隔离的联邦学习环境中嵌入源域的独特知识。通过实验，我们发现一种反直觉现象：从完整源域学习的特征的泛化能力优于直接从目标域学习的特征。这一洞见导致我们提出联邦源域感知框架（FedSDAF），即第一个系统性地通过利用源域感知特征来增强FedDG的方法。FedSDAF采用双适配器架构，将"本地专长"与"全局泛化共识"解耦。域感知适配器保留在本地，提取和保护每个源域的独特判别性知识，而域无关适配器在客户端之间共享，构建稳健的全局共识。为实现知识交换，我们引入双向知识蒸馏机制，促进适配器之间的高效对话。在四个基准数据集（OfficeHome、PACS、VLCS和DomainNet）上的广泛实验表明，FedSDAF显著优于现有的FedDG方法。项目源码可在https://github.com/pizzareapers/FedSDAF获取。
引用
@article{arxiv.2505.02515,
title = {FedSDAF: Leveraging Source Domain Awareness for Enhanced Federated Domain Generalization},
author = {Hongze Li and Zesheng Zhou and Zhenbiao Cao and Xinhui Li and Wei Chen and Xiaojin Zhang},
journal= {arXiv preprint arXiv:2505.02515},
year = {2026}
}