基于全面参数冻结的个性化联邦学习用于轶尼焦点估计
计算机视觉与模式识别
2025-02-26 v1
摘要
轶尼焦点估计需要模型捕获个体焦点模式，同时适应多样化的用户数据。我们的做法利用基于转换器的架构，将其集成到 PFL 框架中，其中仅选取那些在训练期间变化最高率的最显著参数，以进行个人化。通过在 EGTEA Gaze+ 和 Ego4D 数据集上进行大量实验，我们证明 FedCPF 显著优于先前报告的联邦学习方法，实现了卓越的召回率、精确率和 F1 分数。这些结果确认了我们综合参数冻结策略在提升模型个人化方面的有效性，使 FedCPF 成为联邦学习环境中既需要可适应性又需要高精度的任务的有前景的方法。
引用
@article{arxiv.2502.18123,
title = {Personalized Federated Learning for Egocentric Video Gaze Estimation with Comprehensive Parameter Frezzing},
author = {Yuhu Feng and Keisuke Maeda and Takahiro Ogawa and Miki Haseyama},
journal= {arXiv preprint arXiv:2502.18123},
year = {2025}
}