論文の概要: FedUDG: Federated Domain Generalization with Unlabeled Clients

• arxiv url: http://arxiv.org/abs/2611.01498v1
• Date: Sun, 01 Nov 2026 03:30:07 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:14:42.35558
• Title: FedUDG: Federated Domain Generalization with Unlabeled Clients
• Title（参考訳）: FedUDG: 未ラベルのクライアントによるフェデレーションドメインの一般化
• Abstract要約: Federated Domain Generalization (FDG) は、クライアントのデータを集中化せずに、アウト・オブ・ディストリビューション(OOD)環境に確実に一般化するモデルを学習することを目的としている。 FedUDGはパラメータ関数型微分戦略を使用して、接地木ラベルのみを使用して更新されたセマンティックアンカーを維持する。 FedUDGは、4つの評価プロトコルで最先端のベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 49.89578655034085
• License:
• Abstract: Federated domain generalization (FDG) aims to learn models that generalize reliably to out-of-distribution (OOD) environments without centralizing client's data. However, existing FDG methods assume that all source clients have labeled data, limiting their ability to leverage the abundant unlabeled client data available in practice. To address this limitation, we propose FedUDG. At the federation level, FedUDG utilizes a parameter-functional differentiation strategy that maintains a semantic anchor updated solely using ground-truth labels. The remaining parameters absorb knowledge from unlabeled domains under bounded aggregation, preventing domain-biased noise from eroding the class semantics. Within each unlabeled client, FedUDG utilizes a student-teacher framework with two complementary objectives: (1) semantic self-training on high-confidence samples, using the functional differentiation between the semantic anchor and classifier to constrain the model to learn semantically pure and cross-domain stable features; and (2) label-free representation distillation on all unlabeled samples to stabilize learning under appearance variations. Together, these objectives guide the model toward a transferable feature space, while mitigating overfitting to domain-specific characteristics. Furthermore, to address the lack of systematic evaluation of FDG under formal privacy constraints, we develop a sample-level differentially private extension, DP-FedUDG, to quantify the trade-off between privacy and OOD generalization. Across four evaluation protocols, FedUDG consistently outperforms state-of-the-art baselines. The code is available at https://github.com/Jr10426/FedUDG
• Abstract（参考訳）: Federated Domain Generalization (FDG) は、クライアントのデータを集中化せずに、アウト・オブ・ディストリビューション(OOD)環境に確実に一般化するモデルを学習することを目的としている。 しかし、既存のFDGメソッドは、すべてのソースクライアントがラベル付けされたデータを持っていると仮定し、実際に利用可能な豊富なラベル付けされていないクライアントデータを活用できる能力を制限する。 この制限に対処するため、我々はFedUDGを提案する。 フェデレーションレベルでは、FedUDGはパラメータ関数型微分戦略を利用して、接地木ラベルのみを用いて更新されたセマンティックアンカーを維持する。 残りのパラメータは、境界集約の下でラベルのないドメインから知識を吸収し、ドメインバイアスのあるノイズがクラスセマンティクスを侵食することを防ぐ。 各未ラベルクライアント内でFedUDGは,(1)高信頼なサンプルに対するセマンティック自己学習,2)セマンティックアンカーと分類器の機能的微分を用いて,セマンティックな純粋かつクロスドメインな特徴を学習するためにモデルを制約する,2)ラベルのないすべてのサンプルに対する表現蒸留を用いて,外観変化下で学習を安定させる,という2つの相補的な目標を持つ学生-教師フレームワークを使用している。 これらの目的は、ドメイン固有の特性への過度な適合を緩和しながら、転送可能な特徴空間に向けてモデルを導く。 さらに, 形式的プライバシー制約下でのFDGの体系的評価の欠如に対処するため, プライバシとOODの一般化のトレードオフを定量化するために, サンプルレベルの差分プライベート拡張DP-FedUDGを開発した。 4つの評価プロトコルで、FedUDGは一貫して最先端のベースラインを上回っている。 コードはhttps://github.com/Jr10426/FedUDGで入手できる。

関連論文リスト

• FedBook: A Unified Federated Graph Foundation Codebook with Intra-domain and Inter-domain Knowledge Modeling [52.05684032172943]
  サーバサイドのフェデレーション事前トレーニング中にクライアントのローカルコードブックを集約する統合グラフ基盤コードブックであるFedBookを提案する。 FedBookは、独立した教師付き学習、FL/FGL、集中型GFMのフェデレーション適応、FedGFM技術など、21のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-09T03:50:30Z)
• Federated Source-free Domain Adaptation for Classification: Weighted Cluster Aggregation for Unlabeled Data [22.961069029095988]
  Federated Source-Free Domain Adaptation TaskはFederated Source-Free Domain Adaptation (FFREEDA)として知られている。 私たちの貢献は、未ラベルのデータだけでドメインシフトとプライバシの問題を軽減するために設計された、重み付けクラスタアグリゲーション(FedWCA)メソッドによる新しいフェデレーション学習です。 FedWCAは、サーバ上でドメイン固有のグローバルモデルを取得するためのクライアントのプライベートおよびパラメータフリークラスタリング、クラスタ化されたクライアントのグローバルモデルの重み付け集約、擬似ラベル付きローカルドメイン適応の3つのフェーズから構成される。
  論文  参考訳（メタデータ） (2024-12-18T11:47:54Z)
• Overcoming label shift with target-aware federated learning [10.355835466049092]
  フェデレートラーニングにより、複数のアクターがプライベートデータを共有せずに、協力的にモデルをトレーニングできる。 一般的な理由はラベルシフトです -- ラベルの分布がクライアントとターゲットドメインによって異なります。 対象領域の性能向上のためにラベルシフトに適応する,原則的で実用的なモデルアグリゲーションスキームであるFedPALSを提案する。
  論文  参考訳（メタデータ） (2024-11-06T09:52:45Z)
• FedSIS: Federated Split Learning with Intermediate Representation Sampling for Privacy-preserving Generalized Face Presentation Attack Detection [4.1897081000881045]
  目に見えないドメイン/アタックへの一般化の欠如は、FacePAD(face presentation attack detection)アルゴリズムのアキレスヒールである。 本研究では、プライバシ保護ドメインの一般化のために、中間表現サンプリング(FedSIS)を用いたFederated Split Learningと呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-08-20T11:49:12Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)
• Federated Unsupervised Representation Learning [56.715917111878106]
  フェデレート非教師表現学習(FURL)と呼ばれるフェデレーション学習における新しい問題を定式化し、教師なしの共通表現モデルを学習する。 FedCAは2つの主要なモジュールで構成されている: 辞書モジュールは、各クライアントからのサンプルの表現を集約し、表現空間の整合性のためにすべてのクライアントと共有し、アライメントモジュールは、公開データに基づいてトレーニングされたベースモデル上で各クライアントの表現を整合させる。
  論文  参考訳（メタデータ） (2020-10-18T13:28:30Z)
• Alleviating Semantic-level Shift: A Semi-supervised Domain Adaptation Method for Semantic Segmentation [97.8552697905657]
  このタスクの重要な課題は、ソースとターゲットドメイン間のデータ分散の相違を緩和する方法である。 本稿では,グローバルな視点とローカルな視点の両方から分布の整合性を促進できるASS(Alleviating Semantic-level Shift)を提案する。 GTA5、Cityscapes、Synthia、Cityscapesの2つのドメイン適応タスクにASSを適用します。
  論文  参考訳（メタデータ） (2020-04-02T03:25:05Z)

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。