論文の概要: FedDAP: Domain-Aware Prototype Learning for Federated Learning under Domain Shift

• arxiv url: http://arxiv.org/abs/2604.06795v1
• Date: Wed, 08 Apr 2026 08:08:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.416758
• Title: FedDAP: Domain-Aware Prototype Learning for Federated Learning under Domain Shift
• Title（参考訳）: FedDAP:ドメインシフト下でのフェデレーション学習のためのドメイン対応プロトタイプ学習
• Authors: Huy Q. Le, Loc X. Nguyen, Yu Qiao, Seong Tae Kim, Eui-Nam Huh, Choong Seon Hong,
• Abstract要約: フェデレートラーニング(FL)は、プライベートデータを公開せずに、複数のクライアントにわたる分散モデルトレーニングを可能にする。 現実世界のFLシナリオでは、クライアントは異なるドメインからのデータを保持することが多く、ドメインシフトが激しくなり、グローバルモデルのパフォーマンスが低下する。 ドメイン固有のグローバルプロトタイプを構築するためのFedDAP(Federated Domain-Aware Prototypes)を提案する。
• 参考スコア（独自算出の注目度）: 39.879063438848576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Federated Learning (FL) enables decentralized model training across multiple clients without exposing private data, making it ideal for privacy-sensitive applications. However, in real-world FL scenarios, clients often hold data from distinct domains, leading to severe domain shift and degraded global model performance. To address this, prototype learning has been emerged as a promising solution, which leverages class-wise feature representations. Yet, existing methods face two key limitations: (1) Existing prototype-based FL methods typically construct a $\textit{single global prototype}$ per class by aggregating local prototypes from all clients without preserving domain information. (2) Current feature-prototype alignment is $\textit{domain-agnostic}$, forcing clients to align with global prototypes regardless of domain origin. To address these challenges, we propose Federated Domain-Aware Prototypes (FedDAP) to construct domain-specific global prototypes by aggregating local client prototypes within the same domain using a similarity-weighted fusion mechanism. These global domain-specific prototypes are then used to guide local training by aligning local features with prototypes from the same domain, while encouraging separation from prototypes of different domains. This dual alignment enhances domain-specific learning at the local level and enables the global model to generalize across diverse domains. Finally, we conduct extensive experiments on three different datasets: DomainNet, Office-10, and PACS to demonstrate the effectiveness of our proposed framework to address the domain shift challenges. The code is available at https://github.com/quanghuy6997/FedDAP.
• Abstract（参考訳）: Federated Learning(FL)は、プライベートデータを公開せずに、複数のクライアントで分散モデルトレーニングを可能にするため、プライバシに敏感なアプリケーションに理想的だ。 しかし、現実世界のFLシナリオでは、クライアントは異なるドメインからのデータを保持することが多く、ドメインシフトが激しく、グローバルモデルのパフォーマンスが劣化する。 これを解決するために、プロトタイプ学習は、クラスワイドな特徴表現を活用する有望なソリューションとして登場した。 1) 既存のプロトタイプベースのFLメソッドは、ドメイン情報を保存することなく、すべてのクライアントからローカルプロトタイプを集約することで、クラスごとに$\textit{single global prototype}$を構成するのが一般的です。 2) 現在のフィーチャ-プロトタイプアライメントは$\textit{ domain-agnostic}$で、ドメインの起源に関係なくクライアントはグローバルプロトタイプと整合せざるを得ない。 これらの課題に対処するため、我々はFedDAP(Federated Domain-Aware Prototypes)を提案し、類似性の重み付き融合機構を用いて、同一ドメイン内でローカルクライアントプロトタイプを集約することにより、ドメイン固有のグローバルプロトタイプを構築する。 これらのグローバルドメイン固有のプロトタイプは、ローカル機能を同じドメインのプロトタイプと整列させ、異なるドメインのプロトタイプから分離することを奨励することで、ローカルトレーニングのガイドに使用される。 この二重アライメントは、局所レベルでのドメイン固有学習を強化し、グローバルモデルが様々なドメインにわたって一般化できるようにする。 最後に、ドメインシフト問題に対処するために提案したフレームワークの有効性を示すために、DomainNet、Office-10、PACSの3つの異なるデータセットに対して広範な実験を行う。 コードはhttps://github.com/quanghuy6997/FedDAPで公開されている。

関連論文リスト

• Domain-Skewed Federated Learning with Feature Decoupling and Calibration [35.05951359908686]
  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$DC)を提案する。
  論文  参考訳（メタデータ） (2026-03-15T06:20:22Z)
• Divide, Conquer and Unite: Hierarchical Style-Recalibrated Prototype Alignment for Federated Medical Image Segmentation [66.82598255715696]
  フェデレートラーニング(Federated Learning)は、複数の医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。 現在のアプローチは主に、重要なマルチレベルキューを見下ろす最終層機能に重点を置いている。 我々は,ドメイン不変のコンテキスト型プロトタイプアライメントを介して特徴表現ギャップをブリッジするFedBCSを提案する。
  論文  参考訳（メタデータ） (2025-11-14T04:15:34Z)
• Mitigating Domain Shift in Federated Learning via Intra- and Inter-Domain Prototypes [34.396534936178924]
  本稿では,$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)
• Taming Cross-Domain Representation Variance in Federated Prototype Learning with Heterogeneous Data Domains [8.047147770476212]
  フェデレートラーニング(FL)は、プライベートデータを共有することなく、協調的な機械学習トレーニングを可能にする。 ほとんどのFLメソッドは、クライアント間で同じデータドメインを前提としていますが、現実のシナリオは、しばしば異種データドメインを伴います。 分散を意識した2段階のプロトタイプをクラスタリングし,新たな$alpha$-sparsityのプロトタイプロスを利用するFedPLVMを紹介した。
  論文  参考訳（メタデータ） (2024-03-14T02:36:16Z)
• 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)
• 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)
• Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation [91.58443042554903]
  FUDA(Unsupervised Domain Adaptation)のためのPCS(Prototypical Cross-Domain Self-Supervised Learning)フレームワークを提案する。 PCSは、クロスドメインのローレベルな機能アライメントを行うだけでなく、ドメイン間の共有埋め込み空間におけるセマンティック構造をエンコードおよびアライメントする。 最新の手法と比較して、pcsは、fuda上の異なるドメインペアの平均分類精度を10.5%、office、office-home、visda-2017、domainnetで3.5%、9.0%、13.2%改善している。
  論文  参考訳（メタデータ） (2021-03-31T02:07:42Z)
• Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
  カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。 さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-03-28T17:46:55Z)

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。