Aug, 2023

跨领域原型校准非独立同分布数据的联邦学习

PDF
TL;DR通过使用跨库样本原型校准方法（FedCSPC）获取来自客户端的附加原型信息并在服务器端学习统一的特征空间，本文解决了既有解决方案在数据集偏差方面的限制，有效提高了特征一致性和性能表现。
federated learningprivacy-preservingcross-silo prototypical calibrationdata patternsconsistent features
发现论文，激发创造
  • FedProc：基于原型构造对比的非独立同分布联邦学习

    该研究提出了 FedProc，即原型对比联邦学习，一种简单有效的联邦学习框架，通过利用原型作为全局知识来纠正每个客户的本地训练，使用本地网络架构和全局对比损失来规范本地模型的训练，从而最终获得在非 I.I.D 数据上良好的性能。

    Sep, 2021

  • MP-FedCL：面向边缘智能的多原型联合对比学习

    本文提出了一种使用多原型策略的联邦对比学习方法 (MP-FedCL)，旨在增强分散式智能服务中的隐私保护功能，并在标签和特征分布不独立且倾斜的情况下，证明了多原型策略的有效性，并在 MNIST，Digit-5，Office-10 和 DomainNet 等多个数据集上显示出优异的性能.

    Apr, 2023

  • 泛化的异构联邦交叉相关与实例相似度学习

    本文提出了一种新的基于 FCCL + 的联邦相关性和相似性学习方法，通过非目标蒸馏，在异构参与方之间利用不相关的未标记公共数据进行通信，构建了交叉相关矩阵并在逻辑和特征层面上对实例相似度分布进行对齐，旨在解决模型异质性和灾难性遗忘问题，并为此提出了一种综合评估标准，实验证明了该方法在各种场景下的优越性和模块的高效性。

    Sep, 2023

  • 驯服异构数据领域中联邦原型学习中的跨领域表示变异

    FedPLVM 通过引入方差感知的双层原型聚类和一种新颖的 α- 稀疏原型损失，解决交叉域特征表示的差异性，从而提高模型的泛化能力。在 Digit-5、Office-10 和 DomainNet 数据集上的评估显示了我们方法的优势。

    Mar, 2024

  • FedProK: 基于样本原型特征知识迁移的可信联邦增量学习

    Federated Class-Incremental Learning (FCIL) aims to improve trustworthiness by transferring knowledge using FedProK, a method that leverages prototypical feature knowledge transfer, demonstrating superior performance in spatial-temporal knowledge transfer.

    May, 2024

  • FedProto: 跨异构客户端的联邦原型学习

    该论文提出了一种新的联邦原型学习 (FedProto) 框架，借助全局原型而不是梯度来弥补跨客户端的异质性，从而提高局部模型的性能。

    May, 2021

  • 无畏异质性：针对非独立同分布数据的联合学习分类器校准

    本文介绍了研究人员如何通过实验分析不同层学习的表示来填补数据异质性影响深度分类模型每一层次的深度理解的空白，并提出了一种称为具有虚拟表示的分类器校准（CCVR）的新方法，该方法通过从近似高斯混合模型中采样虚拟表示来调整分类器。实验结果表明，CCVR 在 CIFAR-10，CIFAR-100 和 CINIC-10 等流行的联邦学习基准测试中实现了最新的性能。

    Jun, 2021

  • 重新思考联邦学习中的客户漂移：逻辑回归视角

    通过引入类原型相似度蒸馏算法 (FedCSD) 解决联邦学习中的客户端漂移和灾难性遗忘问题，实验证明它在各种异构环境下优于现有的联邦学习方法。

    Aug, 2023

  • 不同领域间的跨边界联邦学习及参数迭代对齐

    通过改进典型的联邦学习模型，我们提出了一种新的框架，称为迭代参数对齐，它通过优化每个参与者的模型以实现灵活的跨分散数据集学习，并且在不同数据域上表现出竞争力和鲁棒性。

    Nov, 2023

  • 基于校准的双原型对比学习方法在领域泛化的语义分割中的应用

    提出了一种基于校准的双原型对比学习方法，用于减少学习类别无关特征与不同域原型之间的域差异，对于域泛化语义分割，通过不确定性引导的对比学习和加权对比学习来校准原型权重，实验证明该方法在域泛化语义分割任务上具有优越性能。

    Sep, 2023