基于原型的分层联邦跨模态哈希
机器学习
2022-10-31 v1 人工智能
摘要
近年来，深度跨模态哈希受到越来越多的关注。然而，在许多实际场景中，数据分散且因隐私问题无法被集中收集，这极大降低了各客户端上的跨模态哈希性能。并且由于统计异质性、模型异质性以及强制各客户端接受相同参数的问题，将联邦学习应用于跨模态哈希学习变得十分棘手。本文提出一种称为基于原型的分层联邦跨模态哈希的新方法。具体而言，引入原型在服务器端学习实例与类别间的相似性，从而降低统计异质性（非独立同分布）对不同客户端的影响。我们监测局部原型与全局原型间的距离以进一步提升性能。为实现个性化联邦学习，在服务器端部署超网络以动态更新局部模型不同层的权重。在基准数据集上的实验结果表明，我们的方法优于当前最优方法。
引用
@article{arxiv.2210.15678,
title = {Prototype-Based Layered Federated Cross-Modal Hashing},
author = {Jiale Liu and Yu-Wei Zhan and Xin Luo and Zhen-Duo Chen and Yongxin Wang and Xin-Shun Xu},
journal= {arXiv preprint arXiv:2210.15678},
year = {2022}
}