联合提示学习中通用化与个性化的协调
原文中文，约1400字，阅读约需4分钟。
📝
内容提要
本文提出了个性化联邦学习框架pFedPG，通过生成适应本地数据的视觉提示，实现高效的个性化模型优化。同时介绍了FedTPG和FedCLIP等方法，解决了数据异质性和隐私问题，提升了模型的泛化能力和效率。实验结果显示，这些方法在计算和通信成本上优于传统技术。
❓
Q&A
什么是个性化联邦学习框架pFedPG？
pFedPG是一种个性化联邦学习框架，通过生成适应本地数据的视觉提示，实现高效的个性化模型优化。
FedTPG方法解决了哪些问题？
FedTPG方法解决了现有提示学习技术在泛化到未知类别方面的挑战，提升了对已见和未见类别的泛化能力。
FedCLIP方法是如何降低计算和通信成本的？
FedCLIP通过设计基于注意力的适配器，实现了联邦学习中CLIP的快速归纳和个性化，从而显著降低了计算和通信成本。
如何解决传统医学视觉问答中的数据异质性和隐私问题？
通过提出基于提示的个性化联邦学习方法，采用简洁的信息共享系统，解决了数据异质性和隐私问题。
FedPrompt方法的主要优势是什么？
FedPrompt结合了prompt tuning和联邦学习，提高了FL方法的效率，减少了通信成本，同时保证了准确性。
Fed-DPT方法如何解决领域移位问题？
Fed-DPT方法利用预训练的视觉-语言模型，通过视觉和文本提示调整来解决领域移位问题，证明了其有效性。
🏷️
