消除联邦学习中的分辨率漂移：基于关键点检测的案例
计算机视觉与模式识别
2025-08-01 v1 人工智能
摘要
联邦学习(FL)方法使有效地跨分布式系统进行学习，同时保持用户数据隐私。迄今为止，研究主要集中在解决统计异质性和通信效率问题，通过这些方法，FL在分类任务中取得了成功。然而，其应用于非分类任务(如人体姿态估计)仍未得到充分探索。本文识别并研究了一个称为"分辨率漂移"的关键问题，其中由于跨客户端的分辨率可变性导致性能显著下降。不同于类别级异质性，分辨率漂移凸显了分辨率作为另一个非独立或相同分布(non-IID)数据的重要性。为解决此问题，我们提出了分辨率自适应联邦学习(RAF)，一种利用基于热图的知识蒸馏的方法。通过在更高分辨率输出(教师)和更低分辨率输出(学生)之间进行多分辨率知识蒸馏，我们的方法在不过拟合的前提下增强了分辨率鲁棒性。大量实验和理论分析表明，RAF不仅有效消除分辨率漂移并实现显著性能提升，而且可以无缝集成到现有的FL框架中。此外，尽管本文聚焦于人体姿态估计，但我们的t-SNE分析揭示了分类任务与高分辨率表征任务之间的显著差异，支持RAF可推广到其他依赖保持空间细节的任务。
引用
@article{arxiv.2507.23461,
title = {Mitigating Resolution-Drift in Federated Learning: Case of Keypoint Detection},
author = {Taeheon Lim and Joohyung Lee and Kyungjae Lee and Jungchan Cho},
journal= {arXiv preprint arXiv:2507.23461},
year = {2025}
}