多源协作风格增强与域无关学习用于联邦域泛化
计算机视觉与模式识别
2025-06-05 v2
摘要
联邦域泛化旨在从多个去中心化源域中学习通用模型，以便在部署到未见目标域时实现良好性能。风格增强方法在域泛化方面取得了很大进展。然而，现有的风格增强方法要么探索孤立源域内的数据风格，要么在数据去中心化场景下对现有源域之间的风格信息进行插值，这导致风格空间受限。为此，我们提出了一种用于联邦域泛化的多源协作风格增强与域无关学习方法 (MCSAD)。具体而言，我们提出了一个多源协作风格增强模块，以生成更广阔的风格空间中的数据。此外，我们通过跨域特征对齐（在同一类别内部）和类别间关系蒸馏来进行原始数据与增强数据之间的域无关学习，从而学习一个域无关的模型。通过交替进行协作风格增强和域无关学习，该模型能够在未见目标域上实现良好泛化。在多个域泛化数据集上的广泛实验表明，我们的方法在联邦域泛化方法方面显著优于当前最先进的方法。
引用
@article{arxiv.2505.10152,
title = {Multi-Source Collaborative Style Augmentation and Domain-Invariant Learning for Federated Domain Generalization},
author = {Yikang Wei},
journal= {arXiv preprint arXiv:2505.10152},
year = {2025}
}
备注
IJCAI 2025