AAAIJan, 2024

多源协同梯度差异最小化的联邦域泛化

PDF
TL;DR我们提出了一种多源协作梯度差异最小化（MCGDM）方法来实现联邦领域泛化，通过在原始图像和增强图像之间进行域内梯度匹配来避免过拟合孤立领域内的领域特定信息，同时通过与其他领域的合作进行域间梯度匹配，进一步减小分散领域之间的领域差异，通过结合域内和域间梯度匹配，我们的方法在未知领域上具有良好的泛化能力，同时还可以通过在伪标记的目标领域上微调目标模型来扩展到联邦领域适应任务，在联邦领域泛化和适应的广泛实验表明，我们的方法明显优于现有的方法。
federated domain generalizationmulti-source collaborative gradient discrepancy minimizationintra-domain gradient matchinginter-domain gradient matchingfederated domain adaptation
发现论文，激发创造
  • 跨域梯度差异最小化用于无监督域自适应

    本文提出了一种跨域梯度分歧最小化方法，使用聚类自监督学习获得目标伪标签，显式地最小化源样本和目标样本生成的梯度差异，以提高目标样本的准确性，实验证明该方法优于许多先前的最新技术

    Jun, 2021

  • 单一领域泛化的多样化学习

    本研究提出了使用样式互补模块来增强模型的泛化能力，从而解决单域泛化中由于样本多样性有限而导致的泛化性能下降。通过在三个基准数据集上进行大量实验，结果表明本方法优于现有的单域泛化方法，最高提升了 25.14%。

    Aug, 2021

  • 联邦领域泛化：一项调查

    本文介绍了机器学习发展的过程及其在领域自适应和领域泛化方面的应用，重点介绍了联邦域泛化的概念和相关算法，分类为联邦域对齐、数据处理、学习策略和聚合优化，并提供了常用的数据集、应用、评估和基准，这些研究对解决在不同领域和分布数据上广泛存在的泛化问题具有重要意义。

    Jun, 2023

  • MADG：基于边界的领域泛化对抗学习

    提出了一种基于边界损失的领域一般化方法（MADG 算法），该算法通过培训过程中的对抗性学习和学习域不变特征来有效地泛化到看不见的目标域，同时通过边界损失和 Rademacher 复杂性进行理论分析，实验证明在各种真实 DG 数据集的基准测试上表现一致。

    Nov, 2023

  • 基于语义数据增强的距离度量学习用于领域泛化

    该论文研究了如何通过采用特征空间中的隐式语义增强来提高模型的泛化性能，并将距离度量学习（DML）的额外损失函数和无限增强的交叉熵损失的 logits 作为 DML 损失的输入特征。实验表明，该方法在 Digits-DG、PACS 和 Office-Home 三个基准测试数据集上可以实现最先进的性能水平。

    Aug, 2022

  • 具有领域泛化的联邦学习

    提出了 FedADG 方法，利用联邦对抗学习来实现域泛化，通过将每个分布与参考分布匹配，逐个类别进行对齐来细粒度地对齐分布，学习到的特征表示可以很好地泛化到未见过的域。

    Nov, 2021

  • TGDM: 面向跨领域少样本学习的目标引导动态混合

    介绍一种新的跨域 few-shot 学习方法，通过引入中间域和动态混合策略，缩小域差距和实现目标域的知识转移，最终通过双层元学习提高模型性能。

    Oct, 2022

  • 多领域判别分析实现领域泛化

    本文提出了一种多领域判别分析方法 (MDA) 来处理分类任务中的域泛化问题，通过学习一个域不变的特征变换，旨在实现每个类别之间领域的最小差异、类别之间最大可分性以及整体最大紧凑性，在学习理论分析中提供了过度风险和泛化误差的限制，通过对合成数据集和真实基准数据集的全面实验，证明了 MDA 的有效性。

    Jul, 2019

  • 深度领域泛化的多组分图像转换

    通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

    Dec, 2018

  • 医学图像分类的隐私保护受限领域泛化

    本论文提出一种隐私保护的约束域泛化方法，通过在集中式服务端的信息聚合过程中应用新颖的梯度对齐损失，以期提高模型的泛化能力，将训练模型更好地泛化到 “未见过” 的但相关的医学图像

    May, 2021