UFDA：基于实用假设的通用联邦域适应
机器学习
2023-12-20 v2 计算机视觉与模式识别
摘要
传统的联邦域适应（FDA）方法通常要求大量假设，这使其对真实场景可行性显著降低并引入安全隐患。本文放宽了先前FDA的假设，研究了一个更实际的场景，称为通用联邦域适应（UFDA）。它仅需要每个源域的黑盒模型和标签集信息，而不同源域的标签集可能不一致，且目标域标签集完全未知。为针对我们新提出的UFDA场景给出更有效的解，我们提出相应方法，称为带对比标签消歧的热学习（HCLD）。它特别通过利用各源域黑盒模型的一热输出，处理UFDA的域偏移和类别鸿沟问题。此外，为更好区分共享类和未知类，我们进一步提出一种称为互投票决策（MVD）的簇级策略，从源域和目标域的 peer 类中提取鲁棒共识知识。在三个基准数据集上的大量实验表明，与具有全面额外假设的先前方法相比，我们的方法以少得多的假设在UFDA场景下取得可比性能。
引用
@article{arxiv.2311.15570,
title = {UFDA: Universal Federated Domain Adaptation with Practical Assumptions},
author = {Xinhui Liu and Zhenghao Chen and Luping Zhou and Dong Xu and Wei Xi and Gairui Bai and Yihan Zhao and Jizhong Zhao},
journal= {arXiv preprint arXiv:2311.15570},
year = {2023}
}
备注
Accepted by AAAI2024