論文の概要: FedDAF: Federated Domain Adaptation Using Model Functional Distance

• arxiv url: http://arxiv.org/abs/2509.11819v1
• Date: Mon, 15 Sep 2025 12:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:23.261821
• Title: FedDAF: Federated Domain Adaptation Using Model Functional Distance
• Title（参考訳）: FedDAF:モデル関数距離を用いたフェデレーションドメイン適応
• Authors: Mrinmay Sen, Ankita Das, Sidhant Nair, C Krishna Mohan,
• Abstract要約: Federated Domain Adaptation(FDA)は、ターゲットクライアントでのモデルパフォーマンスを改善するための、フェデレートされた学習アプローチである。 FDAは、ソースデータとターゲットデータのドメインシフトと、ターゲットのラベル付きデータとの2つの大きな課題に直面している。 我々はFDAにおける両課題に対処する新しいアプローチであるFedDAFを提案する。
• 参考スコア（独自算出の注目度）: 8.183863603334844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Domain Adaptation (FDA) is a federated learning (FL) approach that improves model performance at the target client by collaborating with source clients while preserving data privacy. FDA faces two primary challenges: domain shifts between source and target data and limited labeled data at the target. Most existing FDA methods focus on domain shifts, assuming ample target data, yet often neglect the combined challenges of both domain shifts and data scarcity. Moreover, approaches that address both challenges fail to prioritize sharing relevant information from source clients according to the target's objective. In this paper, we propose FedDAF, a novel approach addressing both challenges in FDA. FedDAF uses similarity-based aggregation of the global source model and target model by calculating model functional distance from their mean gradient fields computed on target data. This enables effective model aggregation based on the target objective, constructed using target data, even with limited data. While computing model functional distance between these two models, FedDAF computes the angle between their mean gradient fields and then normalizes with the Gompertz function. To construct the global source model, all the local source models are aggregated using simple average in the server. Experiments on real-world datasets demonstrate FedDAF's superiority over existing FL, PFL, and FDA methods in terms of achieving better test accuracy.
• Abstract（参考訳）: Federated Domain Adaptation (FDA)は、データプライバシを保護しながらソースクライアントとコラボレーションすることで、ターゲットクライアントのモデルパフォーマンスを改善する、フェデレーションド・ラーニング(FL)アプローチである。 FDAは、ソースデータとターゲットデータのドメインシフトと、ターゲットのラベル付きデータとの2つの大きな課題に直面している。 既存のFDAの方法の多くは、十分なターゲットデータを想定したドメインシフトに重点を置いているが、ドメインシフトとデータ不足の両面での課題は無視されることが多い。 さらに、両方の課題に対処するアプローチは、ターゲットの目的に応じて、ソースクライアントから関連する情報を共有することを優先しない。 本稿では,FDAにおける両課題に対処する新しいアプローチであるFedDAFを提案する。 FedDAFは、ターゲットデータに基づいて計算された平均勾配場からモデル関数距離を計算することにより、グローバルソースモデルとターゲットモデルの類似性に基づくアグリゲーションを利用する。 これにより、限られたデータであっても、対象データを用いて構築された対象データに基づいた効果的なモデルアグリゲーションが可能になる。 これら2つのモデル間の関数距離を計算している間、FedDAFは平均勾配場間の角度を計算し、その後、Gompertz関数で正規化する。 グローバルソースモデルを構築するために、すべてのローカルソースモデルは、サーバ内の単純な平均を使って集約される。 実世界のデータセットの実験は、テスト精度の向上の観点から、既存のFL、PFL、FDAメソッドよりもFedDAFの方が優れていることを示している。

関連論文リスト

• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• Transcending Domains through Text-to-Image Diffusion: A Source-Free Approach to Domain Adaptation [6.649910168731417]
  ドメイン適応(ドメイン適応、Domain Adaptation、DA)は、アノテートデータが不十分なターゲットドメインにおけるモデルの性能を高める方法である。 本研究では,対象領域のサンプルに基づいてトレーニングしたテキスト・ツー・イメージ拡散モデルを用いて,ソースデータを生成する新しいSFDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-02T23:38:17Z)
• Trust your Good Friends: Source-free Domain Adaptation by Reciprocal Neighborhood Clustering [50.46892302138662]
  我々は、ソースデータがない場合に、ソース事前学習されたモデルをターゲット領域に適応させる、ソースフリー領域適応問題に対処する。 提案手法は,ソースドメイン分類器と一致しない可能性のあるターゲットデータが,依然として明確なクラスタを形成しているという観測に基づいている。 本研究では, この地域構造を, 地域住民, 相互隣人, 及び拡張近所を考慮し, 効率的に把握できることを実証する。
  論文  参考訳（メタデータ） (2023-09-01T15:31:18Z)
• Principled Federated Domain Adaptation: Gradient Projection and Auto-Weighting [12.600755361120374]
  Federated Domain Adaptation (FDA)は、限られたデータが利用可能なターゲットクライアントのパフォーマンスを改善するために、ソースクライアントとサーバが協調して動作するフェデレーション学習環境について説明している。 FDA設定を特徴付ける新しい指標と,サーバアグリゲーションルールの性能を解析するための新しい定理を用いた理論的枠組みを導入する。 我々は,ドメインシフトとデータ不足による目標性能を大幅に向上させる,新しい軽量アグリゲーションルールであるFederated Gradient Projection(texttFedGP$)を提案する。
  論文  参考訳（メタデータ） (2023-02-10T04:46:22Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Instance Relation Graph Guided Source-Free Domain Adaptive Object Detection [79.89082006155135]
  教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、ドメインシフトの問題に取り組むための効果的なアプローチである。 UDAメソッドは、ターゲットドメインの一般化を改善するために、ソースとターゲット表現を整列させようとする。 Source-Free Adaptation Domain (SFDA)設定は、ソースデータへのアクセスを必要とせずに、ターゲットドメインに対してソーストレーニングされたモデルを適用することで、これらの懸念を軽減することを目的としている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:43Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。