复制研究：面向视觉语言模型的联邦文本驱动提示生成

视觉语言模型如 CLIP 已展示出惊人的零样能力，但其在联邦学习场景下的适应性面临显著挑战，尤其是对未见类别的泛化问题。原始 FedTPG 论文 \cite{Qiu2024} 通过引入文本驱动提示生成网络，动态创建基于类别名称的提示，从而实现联邦设置下对未见类别的更好跨类泛化。本文对 FedTPG 进行忠实的复制研究，在六个多样化视觉数据集上评估预训练模型：Caltech101、Oxford Flowers、FGVC Aircraft、Oxford Pets、Food-101 和 DTD。我们的评估结果在准确率上与原论文报告值相差不足 0.2%，在见到的（基座）类别上平均准确率为 74.58%，在未见（新）类别上为 76.00%，实现了 1.43 个百分点的泛化提升。这些结果验证了原论文的核心论点：(1) 文本驱动提示生成比静态提示学习方法实现更好的未见类别泛化；(2) 在不共享私有数据的前提下，对提示生成器的联邦训练可在多样化视觉领域内保持高性能。我们的成功复制确认了 FedTPG 方法的稳健性和可重复性。