論文の概要: Federated Learning for Face Recognition with Gradient Correction

• arxiv url: http://arxiv.org/abs/2112.07246v1
• Date: Tue, 14 Dec 2021 09:19:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-15 16:04:18.180640
• Title: Federated Learning for Face Recognition with Gradient Correction
• Title（参考訳）: グラディエント補正による顔認識のためのフェデレーション学習
• Authors: Yifan Niu, Weihong Deng
• Abstract要約: 本稿では,顔認識のためのフェデレーション学習に取り組むためのフレームワークであるFedGCを紹介する。 我々は,FedGCが標準ソフトマックスと同様の損失関数を構成することを示す。
• 参考スコア（独自算出の注目度）: 52.896286647898386
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With increasing appealing to privacy issues in face recognition, federated learning has emerged as one of the most prevalent approaches to study the unconstrained face recognition problem with private decentralized data. However, conventional decentralized federated algorithm sharing whole parameters of networks among clients suffers from privacy leakage in face recognition scene. In this work, we introduce a framework, FedGC, to tackle federated learning for face recognition and guarantees higher privacy. We explore a novel idea of correcting gradients from the perspective of backward propagation and propose a softmax-based regularizer to correct gradients of class embeddings by precisely injecting a cross-client gradient term. Theoretically, we show that FedGC constitutes a valid loss function similar to standard softmax. Extensive experiments have been conducted to validate the superiority of FedGC which can match the performance of conventional centralized methods utilizing full training dataset on several popular benchmark datasets.
• Abstract（参考訳）: 顔認識におけるプライバシー問題へのアピールが高まる中、フェデレーション学習は、非拘束的な顔認識問題をプライベートな分散データで研究するための最も一般的なアプローチの1つとして浮上している。 しかし,従来の分散化フェデレーションアルゴリズムでは,クライアント間のネットワークパラメータ全体の共有は,顔認識シーンのプライバシー漏洩に悩まされている。 本研究では,顔認識のためのフェデレーション学習に取り組み,より高いプライバシーを保証するためのフレームワークであるFedGCを紹介する。 本稿では,後方伝播の観点から勾配を補正する新たなアイデアを探求し,クライアント間勾配項を精度良く注入することによりクラス埋め込みの勾配を補正するsoftmaxベースの正則化器を提案する。 理論的には、FedGCは標準ソフトマックスと同様の損失関数を構成する。 一般的なベンチマークデータセットのフルトレーニングデータセットを利用する従来の集中型手法のパフォーマンスにマッチするfedercの優位性を検証するために、広範な実験が行われている。

関連論文リスト

• AdaFedFR: Federated Face Recognition with Adaptive Inter-Class Representation Learning [14.139432393751298]
  本稿では,AdaFedFRというシンプルなフェデレーション顔認識フレームワークを提案する。 本研究では,公共アイデンティティの特徴表現を学習可能な負の知識として微妙に活用し,局所的な目的を最適化する。 実験により,本手法は,3ラウンド未満の通信ラウンドにおいて,複数の顔認識ベンチマークにおいて,従来の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-05-22T09:19:25Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• Escaping Data Scarcity for High-Resolution Heterogeneous Face Hallucination [68.78903256687697]
  Heterogeneous Face Recognition (HFR) では、視覚や熱といった2つの異なる領域にまたがる顔のマッチングが目的である。 合成によるギャップを埋めようとする最近の手法は有望な結果を得たが、ペアトレーニングデータの不足により、その性能は依然として制限されている。 本稿では,HFRのための新しい顔幻覚パラダイムを提案する。これはデータ効率のよい合成を可能にするだけでなく,プライバシポリシーを破ることなくモデルトレーニングのスケールアップを可能にする。
  論文  参考訳（メタデータ） (2022-03-30T20:44:33Z)
• Improving Federated Learning Face Recognition via Privacy-Agnostic Clusters [7.437386882362172]
  この研究は、フェデレートされた顔認識を改善するためのフレームワークであるPrivacyFaceを提案する。 第一に, 局所的局所的クラスタリング機構は, 局所的なクラス中心から沈殿したクラスターを蒸留するために提案されている。 第二に、コンセンサス対応の認識損失は、その後、クライアント間のグローバルなコンセンサスを促進し、それによってより差別的な特徴が生まれる。
  論文  参考訳（メタデータ） (2022-01-29T01:27:04Z)
• Differentially Private Federated Learning on Heterogeneous Data [10.431137628048356]
  フェデレートラーニング(Federated Learning、FL)は、大規模分散ラーニングのパラダイムである。 i)高度に異質なユーザデータからの効率的なトレーニング、(ii)参加ユーザのプライバシ保護という2つの大きな課題に直面しています。 本稿では,差分プライバシー(DP)制約を取り入れた新しいFL手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T18:23:49Z)
• SphereFace Revived: Unifying Hyperspherical Face Recognition [57.07058009281208]
  我々は,超球面顔認識において,大きな角マージンを理解するための統一的な枠組みを導入する。 このフレームワークでは,SphereFace-Rという,トレーニングの安定性が大幅に向上した改良版を提案する。 我々は、SphereFace-Rが最先端の手法よりも一貫して優れているか、競合していることを示す。
  論文  参考訳（メタデータ） (2021-09-12T17:07:54Z)
• Understanding Clipping for Federated Learning: Convergence and Client-Level Differential Privacy [67.4471689755097]
  本稿では, 切断したFedAvgが, 実質的なデータ均一性でも驚くほど良好に動作できることを実証的に示す。 本稿では,差分プライベート(DP)FedAvgアルゴリズムの収束解析を行い,クリッピングバイアスとクライアント更新の分布との関係を明らかにする。
  論文  参考訳（メタデータ） (2021-06-25T14:47:19Z)
• Federated Face Recognition [30.344709613627764]
  Federated Learningは、当事者間でデータを共有せずに協力的にモデルをトレーニングする。 本稿では,顔認識のためのフェデレーション学習を革新するフレームワークFedFaceを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:07:25Z)
• Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition [59.29808528182607]
  クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。 既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。 本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
  論文  参考訳（メタデータ） (2021-03-25T14:03:42Z)
• BioMetricNet: deep unconstrained face verification through learning of metrics regularized onto Gaussian distributions [25.00475462213752]
  深層非拘束顔認証のための新しいフレームワークであるBioMetricNetを提案する。 提案手法では、顔の特徴について具体的な指標を課していない。 マッチングと非マッチングのペアを、明確に分離された、よく定義されたターゲット分布にマッピングする潜在表現を学習することで、決定空間を形成する。
  論文  参考訳（メタデータ） (2020-08-13T17:22:46Z)

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。