論文の概要: Federated Adversarial Domain Adaptation

• arxiv url: http://arxiv.org/abs/1911.02054v3
• Date: Sun, 24 Aug 2025 12:07:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.366977
• Title: Federated Adversarial Domain Adaptation
• Title（参考訳）: Federated Adversarial Domain Adaptation
• Authors: Xingchao Peng, Zijun Huang, Yizhe Zhu, Kate Saenko,
• Abstract要約: フェデレーション学習は、分散デバイスのネットワーク上で実行される機械学習におけるデータのプライバシと効率を改善する。 しかし、フェデレート学習で訓練されたモデルは、ドメインシフトの問題により、新しいデバイスへの一般化に失敗する可能性がある。 本稿では,異なるノード間で学習した表現を,対象ノードのデータ分布と整合させることを目的とした,フェデレーションドメイン適応問題に対する原則的アプローチを提案する。
• 参考スコア（独自算出の注目度）: 39.83670503242296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning improves data privacy and efficiency in machine learning performed over networks of distributed devices, such as mobile phones, IoT and wearable devices, etc. Yet models trained with federated learning can still fail to generalize to new devices due to the problem of domain shift. Domain shift occurs when the labeled data collected by source nodes statistically differs from the target node's unlabeled data. In this work, we present a principled approach to the problem of federated domain adaptation, which aims to align the representations learned among the different nodes with the data distribution of the target node. Our approach extends adversarial adaptation techniques to the constraints of the federated setting. In addition, we devise a dynamic attention mechanism and leverage feature disentanglement to enhance knowledge transfer. Empirically, we perform extensive experiments on several image and text classification tasks and show promising results under unsupervised federated domain adaptation setting.
• Abstract（参考訳）: フェデレーション学習は、携帯電話、IoT、ウェアラブルデバイスなど、分散デバイスのネットワーク上で実行される機械学習において、データのプライバシと効率を改善する。 しかし、フェデレート学習で訓練されたモデルは、ドメインシフトの問題により、新しいデバイスへの一般化に失敗する可能性がある。 ドメインシフトは、ソースノードが収集したラベル付きデータがターゲットノードの未ラベルデータと統計的に異なる場合に発生する。 本研究では,異なるノード間で学習した表現を,対象ノードのデータ分布と整合させることを目的とした,フェデレートされたドメイン適応問題に対する原則的アプローチを提案する。 本手法は, 対角的適応手法をフェデレートされた設定の制約に拡張する。 さらに,動的な注意機構を考案し,特徴の絡み合いを利用して知識伝達を促進する。 実験的に、いくつかの画像およびテキスト分類タスクについて広範な実験を行い、教師なし領域適応設定下で有望な結果を示す。

関連論文リスト

• On the Mechanisms of Adversarial Data Augmentation for Robust and Adaptive Transfer Learning [0.0]
  移動学習環境における強靭性と適応性を両立させる上で, ADA(Adversarial Data Augmentation)の役割について検討した。 本稿では、ADAと整合性正規化とドメイン不変表現学習を統合した統合フレームワークを提案する。 本研究は,破壊攻撃からの摂動を,ドメイン間移動性のための正規化力に変換する,対向学習という構成的視点を強調した。
  論文  参考訳（メタデータ） (2025-05-19T03:56:51Z)
• PC-Adapter: Topology-Aware Adapter for Efficient Domain Adaption on Point Clouds with Rectified Pseudo-label [39.6711648793659]
  ドメインシフトシナリオの下では、ポイントクラウドデータのユニークな課題を再考します。 アダプタ誘導型ドメイン適応手法 PC-Adapter を提案する。 本手法は,ベンチマークデータセットにおける各種領域シフト設定のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-29T02:32:01Z)
• Domain Adaptive Few-Shot Open-Set Learning [36.39622440120531]
  本稿では,DA-FSOS(Domain Adaptive Few-Shot Open Set Recognition)を提案する。 我々のトレーニングアプローチは、DAFOS-NETがターゲットドメインの新しいシナリオにうまく適応できるようにします。 本稿では,Office-Home,mini-ImageNet/CUB,DomainNetデータセットに基づくDA-FSOSの3つのベンチマークを示す。
  論文  参考訳（メタデータ） (2023-09-22T12:04:47Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• FedILC: Weighted Geometric Mean and Invariant Gradient Covariance for Federated Learning on Non-IID Data [69.0785021613868]
  フェデレートラーニング(Federated Learning)とは、ローカルに計算されたパラメータの更新を、空間的に分散されたクライアントサイロからトレーニングデータに集約することで、共有サーバモデルによる学習を可能にする分散機械学習アプローチである。 本研究では, 勾配の共分散とヘッセンの幾何学的平均を利用して, シロ間およびシロ内成分の両方を捕捉するフェデレート不変学習一貫性(FedILC)アプローチを提案する。 これは医療、コンピュータビジョン、IoT(Internet of Things)といった様々な分野に関係している。
  論文  参考訳（メタデータ） (2022-05-19T03:32:03Z)
• Federated Unsupervised Domain Adaptation for Face Recognition [26.336693850812118]
  顔認識のための非教師付きドメイン適応フェデレーションであるFedFRを提案する。 対象領域におけるラベルなしデータに対しては,距離制約付きクラスタリングアルゴリズムを強化し,予測された擬似ラベルの品質を向上させる。 また、フェデレート学習において、ソースドメイントレーニングを正規化するための新しいドメイン制約損失を提案する。
  論文  参考訳（メタデータ） (2022-04-09T04:02:03Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Unsupervised Transfer Learning with Self-Supervised Remedy [60.315835711438936]
  手動ラベルのない新しいドメインにディープネットワークを一般化することは、ディープラーニングにとって難しい。 事前学習された知識は、学習されたドメインや新しいドメインについて強い仮定をしなければ、うまく伝達しない。 本研究は,ラベル付き関連ドメインからの知識伝達により,新規ドメインにおける未ラベル対象データの識別潜在空間を学習することを目的とする。
  論文  参考訳（メタデータ） (2020-06-08T16:42:17Z)
• Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
  教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。 教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。 我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
  論文  参考訳（メタデータ） (2020-03-29T09:03:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。