FissionVAE：基于潜空间与解码器分解的联邦非独立同分布图像生成
机器学习
2025-05-06 v2 人工智能
计算机视觉与模式识别
摘要
联邦学习是一种机器学习范式，使去中心化客户端能够在保持所有训练数据本地化的同时协作学习一个共享模型。尽管已有大量研究关注联邦图像生成，特别是生成对抗网络，但变分自编码器受到的关注较少。在本文中，我们探讨了具有多种不同类型图像组的非独立同分布数据环境所带来的挑战。非独立同分布数据分布可能导致难以维持一致的潜空间，也可能导致在聚合过程中融合具有不同纹理特征的本地生成器。为此，我们引入了 FissionVAE，它解耦了潜空间并构建了为各个客户端组量身定制的解码器分支。该方法允许进行与每个组的独特数据分布相一致的自定义学习。此外，我们结合了分层 VAE，并展示了在 FissionVAE 中使用异构解码器架构。我们还探索了设置潜先验分布的策略以增强解耦过程。为了评估我们的方法，我们组装了两个复合数据集：第一个结合了 MNIST 和 FashionMNIST；第二个包含卡通和人脸、野生动物、海洋船舶以及遥感图像的 RGB 数据集。我们的实验表明，与基线联邦 VAE 模型相比，FissionVAE 在这些数据集上大幅提高了生成质量。
引用
@article{arxiv.2408.17090,
title = {FissionVAE: Federated Non-IID Image Generation with Latent Space and Decoder Decomposition},
author = {Chen Hu and Hanchi Ren and Jingjing Deng and Xianghua Xie and Xiaoke Ma},
journal= {arXiv preprint arXiv:2408.17090},
year = {2025}
}