跨域与跨设备学习：聚类联邦学习中的风格驱动无源域自适应
计算机视觉与模式识别
2022-10-06 v1 机器学习
摘要
联邦学习（FL）近来已成为解决真实世界语义分割（SS）中域偏移问题的一种可能途径，且不损害所收集数据的隐私性。然而，现有关于 FL 的工作大多不切实际地假设远程客户端中存在标注数据。在此我们提出一项新任务（FFREEDA），其中客户端数据无标注，而服务器仅能访问源标注数据集用于预训练。为解决 FFREEDA，我们提出 LADD，其通过采用自监督与特设正则化技术进行本地训练，并引入一种基于客户端风格的新型联邦聚类聚合方案，来利用预训练模型的知识。我们的实验表明，我们的算法能够高效应对新任务，优于现有方法。代码见 https://github.com/Erosinho13/LADD。
引用
@article{arxiv.2210.02326,
title = {Learning Across Domains and Devices: Style-Driven Source-Free Domain Adaptation in Clustered Federated Learning},
author = {Donald Shenaj and Eros Fanì and Marco Toldo and Debora Caldarola and Antonio Tavera and Umberto Michieli and Marco Ciccone and Pietro Zanuttigh and Barbara Caputo},
journal= {arXiv preprint arXiv:2210.02326},
year = {2022}
}
备注
WACV 2023; 11 pages manuscript, 6 pages supplemental material