PARDON: 隐私感知且鲁棒的联邦域泛化
机器学习
2025-04-10 v2 计算机视觉与模式识别
分布式、并行与集群计算
摘要
联邦学习（Federated Learning, FL）在保护隐私和实现协作学习方面展现出巨大潜力。然而，当前大多数解决方案侧重于从单一域收集的私有数据。当客户端数据来自不同域（即域偏移）时，会出现一个重大挑战，导致在未见域上的性能不佳。现有的联邦域泛化方法解决了这一问题，但假设每个客户端持有整个域的数据，这限制了它们在具有基于域的异构性和客户端采样的现实场景中的实用性。此外，某些方法允许客户端之间共享信息，这引发了隐私担忧，因为这些信息可能被用于重建敏感的私有数据。为克服这些问题，我们引入了 FISC，这是一种新颖的 FedDG 范式，旨在鲁棒地处理客户端之间更复杂的域分布，同时确保安全性。FISC 通过从局部风格中提取插值风格并采用对比学习来实现跨域学习。该策略赋予客户端多域表示和无偏的收敛目标。在包括 PACS、Office-Home 和 IWildCam 在内的多个数据集上的实证结果表明，FISC 优于最先进（SOTA）方法。我们的方法在未见域上实现了准确率提升，提升幅度从 3.64% 到 57.22% 不等。我们的代码可在 https://github.com/judydnguyen/PARDON-FedDG 获取。
引用
@article{arxiv.2410.22622,
title = {PARDON: Privacy-Aware and Robust Federated Domain Generalization},
author = {Dung Thuy Nguyen and Taylor T. Johnson and Kevin Leach},
journal= {arXiv preprint arXiv:2410.22622},
year = {2025}
}
备注
2025 IEEE 45th International Conference on Distributed Computing Systems (ICDCS)