用于联邦域泛化的多源协同梯度差异最小化
计算机视觉与模式识别
2024-01-22 v1 人工智能
摘要
联邦域泛化旨在从多个去中心化的源域中学习一个域不变模型，以便部署于未见的目标域。出于隐私考虑，来自不同源域的数据保持隔离，这在弥合域差距方面带来了挑战。为了解决这个问题，我们提出了一种用于联邦域泛化的多源协同梯度差异最小化（MCGDM）方法。具体而言，我们提出在原始图像和增强图像之间进行域内梯度匹配，以避免对隔离域内的域特定信息产生过拟合。此外，我们提出在其他域的协作下进行域间梯度匹配，这可以进一步减少去中心化域之间的域偏移。结合域内和域间梯度匹配，我们的方法使学习到的模型能够在未见域上良好泛化。此外，通过在伪标记的目标域上微调目标模型，我们的方法可以扩展到联邦域自适应任务。在联邦域泛化和自适应方面的大量实验表明，我们的方法显著优于最先进的方法。
引用
@article{arxiv.2401.10272,
title = {Multi-Source Collaborative Gradient Discrepancy Minimization for Federated Domain Generalization},
author = {Yikang Wei and Yahong Han},
journal= {arXiv preprint arXiv:2401.10272},
year = {2024}
}
备注
Accepted by AAAI 2024