論文の概要: Domain-Skewed Federated Learning with Feature Decoupling and Calibration

• arxiv url: http://arxiv.org/abs/2603.14238v1
• Date: Sun, 15 Mar 2026 06:20:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.689952
• Title: Domain-Skewed Federated Learning with Feature Decoupling and Calibration
• Title（参考訳）: 特徴デカップリングと校正を併用したドメイン学習型フェデレーション学習
• Authors: Huan Wang, Jun Shen, Jun Yan, Guansong Pang,
• Abstract要約: フェデレートラーニング(FL)は、分散クライアントがプライバシー保護の方法でグローバルモデルを協調的にトレーニングすることを可能にする。 ドメインスキュー(Domain skew)は、多様なドメインから派生したクライアントのデータが、一貫した表現空間を学習することから集約されたグローバルモデルを妨げる可能性がある。 我々は、ドメイン固有のバイアスのある特徴を校正することで、貴重なクラス関連情報を解放するFederated Feature Decoupling andrimi(F2$DC)を提案する。
• 参考スコア（独自算出の注目度）: 35.05951359908686
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated learning (FL) allows distributed clients to collaboratively train a global model in a privacy-preserving manner. However, one major challenge is domain skew, where clients' data originating from diverse domains may hinder the aggregated global model from learning a consistent representation space, resulting in poor generalizable ability in multiple domains. In this paper, we argue that the domain skew is reflected in the domain-specific biased features of each client, causing the local model's representations to collapse into a narrow low-dimensional subspace. We then propose Federated Feature Decoupling and Calibration ($F^2$DC), which liberates valuable class-relevant information by calibrating the domain-specific biased features, enabling more consistent representations across domains. A novel component, Domain Feature Decoupler (DFD), is first introduced in $F^2$DC to determine the robustness of each feature unit, thereby separating the local features into domain-robust features and domain-related features. A Domain Feature Corrector (DFC) is further proposed to calibrate these domain-related features by explicitly linking discriminative signals, capturing additional class-relevant clues that complement the domain-robust features. Finally, a domain-aware aggregation of the local models is performed to promote consensus among clients. Empirical results on three popular multi-domain datasets demonstrate the effectiveness of the proposed $F^2$DC and the contributions of its two modules. Code is available at https://github.com/mala-lab/F2DC.
• Abstract（参考訳）: フェデレートラーニング(FL)は、分散クライアントがプライバシー保護の方法でグローバルモデルを協調的にトレーニングすることを可能にする。 しかし、ドメインスキュー(Domain skew)は、多様なドメインから派生したクライアントのデータが一貫した表現空間の学習から集約されたグローバルモデルを妨げる可能性がある。 本稿では,ドメインスキューが各クライアントのドメイン固有バイアス特徴に反映され,局所モデルの表現が狭い低次元部分空間に崩壊してしまうことを論じる。 次に、ドメイン固有のバイアスのある特徴を校正することで、価値あるクラス関連情報を解放し、ドメイン間のより一貫性のある表現を可能にするFederated Feature Decoupling and Calibration(F^2$DC)を提案する。 新たなコンポーネントであるDomain Feature Decoupler (DFD) が最初に紹介されたのは$F^2$DCで、各機能ユニットの堅牢性を決定するためである。 ドメイン特徴相関器 (Domain Feature Corrector, DFC) は、識別シグナルを明示的にリンクし、ドメイン・ロバストな特徴を補完する追加のクラス関連手がかりをキャプチャすることで、これらのドメイン関連特徴を校正するためにさらに提案されている。 最後に、クライアント間のコンセンサスを促進するために、ローカルモデルのドメイン対応アグリゲーションを実行する。 提案した$F^2$DCの有効性と2つのモジュールのコントリビューションを示す。 コードはhttps://github.com/mala-lab/F2DCで入手できる。

関連論文リスト

• Adversarial Alignment and Disentanglement for Cross-Domain CTR Prediction with Domain-Encompassing Features [9.70128576544644]
  クロスドメインレコメンデーション(CDR)は、データスパーシリティとコールドスタートの問題に対処するために、ますます検討されている。 最近のアプローチでは、典型的にはソースとターゲットドメイン間で共有されるドメイン不変の機能と、各ドメインのドメイン特化機能を取り除きます。 本稿では,クロスドメイン情報の範囲を包括的に把握する革新的な手法であるAdversarial Alignment and Disentanglement Cross-Domain Recommendationモデルを提案する。
  論文  参考訳（メタデータ） (2026-01-24T14:20:16Z)
• FedAlign: Federated Domain Generalization with Cross-Client Feature Alignment [2.4472081831862655]
  Federated Learning (FL)は、直接的なデータ共有なしに協調的なモデルトレーニングのための分散パラダイムを提供する。 ドメイン一般化(DG)には、厳密なプライバシー制約、非i.d.ローカルデータ、ドメインの多様性の制限など、ユニークな課題がある。 我々はフェデレーション設定におけるDGを強化するために設計された軽量なプライバシ保護フレームワークであるFedAlignを紹介する。
  論文  参考訳（メタデータ） (2025-01-26T11:17:32Z)
• Mitigating Domain Shift in Federated Learning via Intra- and Inter-Domain Prototypes [34.396534936178924]
  本稿では,$textbfI$ntraドメインと$textbfI$nterドメインを組み込んだ新しいプロトタイプ学習手法I$2$PFLを紹介する。 そこで我々は,MixUpをベースとした拡張プロトタイプと機能アライメントを行い,局所領域内の多様性を捉え,局所的特徴の一般化を促進する。
  論文  参考訳（メタデータ） (2025-01-15T02:17:38Z)
• Virtual Classification: Modulating Domain-Specific Knowledge for Multidomain Crowd Counting [67.38137379297717]
  マルチドメインのクラウドカウントは、複数の多様なデータセットの一般的なモデルを学ぶことを目的としている。 ディープネットワークは、ドメインバイアスとして知られるすべてのドメインではなく、支配的なドメインの分布をモデル化することを好む。 マルチドメイン群カウントにおけるドメインバイアス問題を処理するために,MDKNet(Modulating Domain-specific Knowledge Network)を提案する。
  論文  参考訳（メタデータ） (2024-02-06T06:49:04Z)
• Dynamic Instance Domain Adaptation [109.53575039217094]
  教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。 適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。 我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-09T20:05:54Z)
• Federated and Generalized Person Re-identification through Domain and Feature Hallucinating [88.77196261300699]
  人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。 一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。 提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-03-05T09:15:13Z)
• 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)
• Disentanglement-based Cross-Domain Feature Augmentation for Effective Unsupervised Domain Adaptive Person Re-identification [87.72851934197936]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (ReID) は、ラベル付きソースドメインからラベル付きターゲットドメインへ知識を転送することを目的としている。 ひとつの課題は、トレーニング用に信頼できるラベルでターゲットドメインサンプルを生成する方法だ。 ディスタングルメントに基づくクロスドメイン機能拡張戦略を提案する。
  論文  参考訳（メタデータ） (2021-03-25T15:28:41Z)

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。