AdaFedFR: 自适应跨类别表征学习的联邦人脸识别

May, 2024

AdaFedFR: 自适应跨类别表征学习的联邦人脸识别

AdaFedFR: Federated Face Recognition with Adaptive Inter-Class Representation Learning

Di Qiu, Xinyang Lin, Kaiye Wang, Xiangxiang Chu, Pengfei Yan

TL;DR提出了一种简单但有效的联邦人脸识别框架 AdaFedFR，通过设计一种自适应的类间表示学习算法，在严格保护隐私的情况下提高泛化性能和联邦训练的效率。实验结果表明，该方法在几个常见的人脸识别基准上优于以前的方法，仅用不到 3 次通信轮次，展现出友好的通信性能和高效性。

Abstract

With the growing attention on data privacy and communication security in face recognition applications, federated learning has been introduced to learn a face recognition model with decentralized datasets in a

federated learning face recognition privacy-preserving inter-class representation learning communication-friendly

发现论文，激发创造

面部识别系统中保护隐私的联邦学习方法

通过使用联邦学习（包括有和无安全聚合器）在受监督和无监督的人脸识别系统中进行训练，我们的实验结果表明联邦学习既保护了隐私又实现了与单独模型几乎相同的性能。我们的研究工作揭示了隐私保护的人脸图像训练中的实际挑战，尤其注重隐私和准确性的平衡问题。

Mar, 2024

FedFace: 人脸识别模型的协作学习

FedFace 是一种面向联合学习的框架，用于隐私感知的多客户端人脸识别模型训练，提供较高的验证性能，不需要集中式聚合人脸数据集。

Apr, 2021

FedFR: 通用与个性化人脸识别联合优化联邦学习框架

本论文提出了一种基于联邦学习的面部识别框架，名为 FedFR，它通过提出的解耦特征自定义模块共同优化对应客户的个性化模型，从而在保护隐私的情况下提高了通用面部表征的质量，同时最大限度地满足了本地设备已注册身份的优化面部识别体验的需求，并且在多个联邦学习场景下进行的实验结果表明，该框架优于以往的方法。

Dec, 2021

面部识别联邦无监督领域自适应

本文提出了一种联合优化聚类域自适应与联邦学习的方法来解决隐私约束下使用的人脸识别问题，并在新构建的基准测试数据集上进行了广泛的实验，证明在不同的评估指标上，该方法在目标域上的表现优于基线和经典方法 3％至 14％。

Apr, 2022

隐私不可知聚类提升联邦学习人脸识别

通过使用隐私敏感的 DPLC 机制和全局一致性感知损失函数，本文提出了 PrivacyFace 框架来改善联邦学习人脸识别，该框架在 IJB-B 和 IJB-C 上分别提高了 9.63% 和 10.26% 的精确率，并在大规模数据集上的大量实验中证明了其有效性和实用性。

Jan, 2022

个性化表示的联邦人脸伪造检测学习

提出了一种新颖的个性化伪造脸部检测学习方法，旨在通过个性化表示学习每个客户的个性化表示，提高个体客户模型的检测性能；同时，利用个性化联合学习训练策略更新分布式检测模型的参数，通过多个分布式客户端设备进行协同训练，并将这些客户端模型的共享表示上传到服务器端进行聚合。与现有方法相比，该算法在多个公共脸部伪造检测数据集上展现出卓越的性能。

Jun, 2024

具有梯度修正的面部识别联邦学习

本研究提出 FedGC 框架，通过梯度修正和基于 softmax 的正则化器，实现人脸识别的联邦学习并提高隐私保护，实验证明 FedGC 在常用基准数据集上的性能达到了传统集中式方法的水平。

Dec, 2021

IPFed: 身份保护联邦学习用于用户认证

该论文提出了使用随机投影进行类别嵌入的保护隐私联邦学习 IPFed 方法，旨在解决现有方法在隐私保护和高准确性方面的困难，并证明其具备与最先进方法相当的学习能力。通过在人脸图像数据集上的实验证明，IPFed 能够在保护个人数据隐私的同时保持最先进方法的准确性。

May, 2024

联邦人员再识别性能优化通过基准分析

本文探究了联邦学习在人物再识别（FedReID）中的应用，通过优化算法与架构，使其在真实场景中的异质性数据的表现更佳，并提出两种优化方法以解决模型聚合权重不平衡和收敛困难问题，证明策略的优越性能使其在所有数据集上表现更好。

Aug, 2020

AdaFed：自适应共同下降方向的公平联邦学习

AdaFed 是一种解决联邦学习中公平性问题的方法，通过自适应地调整服务器的更新方向，使所有客户端的损失函数递减，并且具有更高损失值的客户端的损失函数递减速度更快，从而优于最先进的公平联邦学习方法。

Jan, 2024