BriefGPT - AI 论文速递
·
FedCCRL：基于跨客户端表示学习的联邦领域泛化
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了StableFDG算法，通过样式学习和注意力机制提升联邦学习的领域泛化能力。每个客户端共享新样式，增强领域多样性，并通过特征强调器突出重要特征，改善数据不足时的领域不变特征学习。实验表明，StableFDG在多个数据集上优于现有算法。
🎯
关键要点
-
传统联邦学习算法假设训练和测试数据分布相同，但现实中存在领域漂移。
-
提出了StableFDG算法，通过样式学习和注意力机制提升联邦学习的领域泛化能力。
-
StableFDG的第一个关键贡献是基于样式的学习，允许客户端在本地数据集中探索新样式。
-
StableFDG的第二个关键贡献是基于注意力的特征强调器，强调重要特征以改善数据不足时的学习。
-
实验结果表明，StableFDG在多个领域泛化基准数据集上优于现有算法，证明其有效性。
➡️
