基于多域原型的联邦微调提升联邦域自适应
原文中文，约400字，阅读约需1分钟。发表于：。本研究针对联邦域自适应（FDA）中的数据异质性问题，提出了一种新框架——基于多域原型的联邦微调（MPFT）。MPFT通过丰富域特定信息的多域原型优化预训练模型，在单次通信轮次内显著提升了模型的域内和域外精度，并有效降低了计算与通信成本，同时保证了数据隐私。
由于机器学习模型规模庞大，单机训练困难，联邦学习被广泛应用。但模型在新设备上可能因领域转移而难以泛化。本文介绍了RF-TCA，一种加速计算的转移组件分析方法，并扩展为FedRF-TCA，适用于联邦领域适应，通信复杂度与样本大小无关，性能优于现有方法。实验表明FedRF-TCA性能卓越且对网络条件稳健。
