Gains：开放集合中的细粒度联邦域适应
机器学习
2025-10-21 v1 人工智能
摘要
传统联邦学习（FL）假设封闭世界，具有固定总客户端数的前提。在实际场景中，新客户端持续加入 FL 过程，引入新的知识。这引发两个关键需求：检测新知识（即知识发现）以及将其整合到全局模型中（即知识适应）。现有研究聚焦于粗粒度知识发现，往往牺牲源域性能和适应效率。为此，我们提出了一种开放集合中的细粒度联邦域适应方法（Gains）。Gains 将模型分为编码器和分类器，经验性地揭示编码器提取的特征对领域迁移敏感，而分类器参数对类别增量敏感。基于此，我们开发了细粒度知识发现和以贡献为导向的聚合技术，以识别并整合新知识。此外，设计了反遗忘机制以保持源域性能，确保适应的平衡。实验在三个典型数据迁移情景的多领域数据集上表明，Gains 在源域和目标域客户端的性能上显著优于其他基线方法。代码地址：https://github.com/Zhong-Zhengyi/Gains。
引用
@article{arxiv.2510.15967,
title = {Gains: Fine-grained Federated Domain Adaptation in Open Set},
author = {Zhengyi Zhong and Wenzheng Jiang and Weidong Bao and Ji Wang and Cheems Wang and Guanbo Wang and Yongheng Deng and Ju Ren},
journal= {arXiv preprint arXiv:2510.15967},
year = {2025}
}
备注
Accepted by NeurIPS2025