通过组间差异最小化实现大规模无监督多源联邦域适应
机器学习
2026-05-06 v3
摘要
无监督多源域适应（UMDA）利用多个源域中标注数据，以泛化到未标记的目标域。虽然联邦UMDA通过避免原始数据共享来解决隐私问题，但现有方法随着源域数量的增加效果不佳，常面临高计算开销或训练不稳定的问题。我们提出了GALA框架，是一个为高多样性场景设计的可扩展且稳健的联邦UMDA框架。GALA通过耦合一种新颖的组间差异最小化目标函数（以线性复杂度近似两两对齐），以及基于温度控制的质心加权策略（用于动态源优先级），实现了可扩展性。这些组件使跨多个异构源的并行训练成为可能，解决了当前文献中 largely 未被 addressing 的关键可扩展性瓶颈。为评估在高多样性情景下的性能，我们引入了Digit-18基准数据集，包含18个数据集，涵盖各种合成和真实世界的域迁移。大量实验表明，GALA在标准基准上实现了领先成绩，并在大规模设置下显著优于先前方法——而其他方法在此类场景下要么无法收敛，要么会变得计算不可行。
引用
@article{arxiv.2510.08150,
title = {Scaling Unsupervised Multi-Source Federated Domain Adaptation through Group-Wise Discrepancy Minimization},
author = {Larissa Reichart and Cem Ata Baykara and Ali Burak Ünal and Harlin Lee and Mete Akgün},
journal= {arXiv preprint arXiv:2510.08150},
year = {2026}
}
备注
Accepted at ICML 2026. Pre-camera-ready version