Fugu-MT 論文翻訳(概要): Federated Joint Learning for Domain and Class Generalization

論文の概要: Federated Joint Learning for Domain and Class Generalization

arxiv url: http://arxiv.org/abs/2601.12253v1
Date: Sun, 18 Jan 2026 04:24:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-21 22:47:22.529228
Title: Federated Joint Learning for Domain and Class Generalization
Title（参考訳）: ドメイン・クラス・ジェネリゼーションのためのフェデレーション・ジョイント・ラーニング
Authors: Haoran Xu, Jiaze Li, Jianzhong Ju, Zhenbo Luo,
Abstract要約: textbfFedDCGは、フェデレートされた学習環境におけるクラスとドメインの一般化に対処する新しいアプローチである。 textbfFedDCGは、精度と堅牢性の点で最先端のベースラインを上回っている。
参考スコア（独自算出の注目度）: 15.177261433209301
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Efficient fine-tuning of visual-language models like CLIP has become crucial due to their large-scale parameter size and extensive pretraining requirements. Existing methods typically address either the issue of unseen classes or unseen domains in isolation, without considering a joint framework for both. In this paper, we propose \textbf{Fed}erated Joint Learning for \textbf{D}omain and \textbf{C}lass \textbf{G}eneralization, termed \textbf{FedDCG}, a novel approach that addresses both class and domain generalization in federated learning settings. Our method introduces a domain grouping strategy where class-generalized networks are trained within each group to prevent decision boundary confusion. During inference, we aggregate class-generalized results based on domain similarity, effectively integrating knowledge from both class and domain generalization. Specifically, a learnable network is employed to enhance class generalization capabilities, and a decoupling mechanism separates general and domain-specific knowledge, improving generalization to unseen domains. Extensive experiments across various datasets show that \textbf{FedDCG} outperforms state-of-the-art baselines in terms of accuracy and robustness.
Abstract（参考訳）: CLIPのようなビジュアル言語モデルの効率的な微調整は、大規模なパラメータサイズと広範な事前学習要求のために重要になっている。既存のメソッドは通常、両方のジョイントフレームワークを考慮せずに、未確認のクラスまたは未確認のドメインの分離の問題に対処する。本稿では,フェデレートされた学習環境におけるクラスとドメインの一般化に対処する新しいアプローチである,‘textbf{Fed}erated Joint Learning for \textbf{D}omain and \textbf{C}lass \textbf{G}eneralization’を提案する。提案手法では,各グループ内でクラス一般化ネットワークを訓練し,決定境界の混乱を防止するドメイングループ化戦略を導入する。推論中に、ドメイン類似性に基づいてクラス一般化結果を集約し、クラス一般化とドメイン一般化の両方からの知識を効果的に統合する。具体的には、クラス一般化能力を高めるために学習可能なネットワークを使用し、デカップリング機構は一般的な知識とドメイン固有の知識を分離し、未知のドメインへの一般化を改善する。様々なデータセットにわたる大規模な実験により、 \textbf{FedDCG} は精度とロバスト性の観点から最先端のベースラインを上回っていることが示された。

関連論文リスト

Hypernetwork-Driven Model Fusion for Federated Domain Generalization [26.492360039272942]
フェデレートラーニング(FL)は、異種データのドメインシフトにおいて大きな課題に直面します。非線形アグリゲーションにハイパーネットワークを用いた、ハイパーネットワークベースのフェデレート・フュージョン(hFedF)と呼ばれるロバストなフレームワークを提案する。本手法では,ドメインの一般化を効果的に管理するために,クライアント固有の埋め込みと勾配アライメント手法を用いる。
論文参考訳（メタデータ） (2024-02-10T15:42:03Z)
Localized Adversarial Domain Generalization [83.4195658745378]
対数領域の一般化は、領域の一般化に対する一般的なアプローチである。空間コンパクト性維持(LADG)を用いた局所対向領域の一般化を提案する。我々はWilds DGベンチマークで包括的な実験を行い、我々のアプローチを検証する。
論文参考訳（メタデータ） (2022-05-09T08:30:31Z)
Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
論文参考訳（メタデータ） (2022-03-24T11:54:59Z)
TAL: Two-stream Adaptive Learning for Generalizable Person Re-identification [115.31432027711202]
我々は、ドメイン固有性とドメイン不変性の両方が、re-idモデルの一般化能力の向上に不可欠であると主張する。これら2種類の情報を同時にモデル化するために,2ストリーム適応学習 (TAL) を命名した。我々のフレームワークは、単一ソースとマルチソースの両方のドメイン一般化タスクに適用できる。
論文参考訳（メタデータ） (2021-11-29T01:27:42Z)
Context-Conditional Adaptation for Recognizing Unseen Classes in Unseen Domains [48.17225008334873]
我々は,COCOA (COntext Conditional Adaptive) Batch-Normalization と統合された特徴生成フレームワークを提案する。生成されたビジュアル機能は、基礎となるデータ分散をよりよくキャプチャすることで、テスト時に見つからないクラスやドメインに一般化できます。確立した大規模ベンチマークであるDomainNetに対する我々のアプローチを徹底的に評価し、分析する。
論文参考訳（メタデータ） (2021-07-15T17:51:16Z)
Structured Latent Embeddings for Recognizing Unseen Classes in Unseen Domains [108.11746235308046]
本稿では,異なる領域からの画像を投影することで,ドメインに依存しない遅延埋め込みを学習する手法を提案する。挑戦的なDomainNetとDomainNet-LSベンチマークの実験は、既存のメソッドよりもアプローチの方が優れていることを示している。
論文参考訳（メタデータ） (2021-07-12T17:57:46Z)
Robust Domain-Free Domain Generalization with Class-aware Alignment [4.442096198968069]
ドメインフリードメイン一般化(DFDG)は、目に見えないテストドメインでより良い一般化性能を実現するモデル非依存の方法である。 DFDGは新しい戦略を用いてドメイン不変なクラス差別的特徴を学習する。時系列センサと画像分類公開データセットの両方で競合性能を得る。
論文参考訳（メタデータ） (2021-02-17T17:46:06Z)
Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation [95.10255219396109]
クラスレベルの特徴アライメントのための微粒な逆学習戦略を提案する。ドメイン区別器として機能するだけでなく、クラスレベルでドメインを区別する、きめ細かいドメイン識別器を採用しています。 CCD (Class Center Distance) を用いた解析により, 粒度の細かい対角戦略により, クラスレベルのアライメントが向上することが確認された。
論文参考訳（メタデータ） (2020-07-17T20:50:59Z)

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。