联邦连续新类别学习
原文中文,约400字,阅读约需1分钟。发表于: 。提出了一种称为全局对齐学习(GAL)框架的方法,以准确估计全球新类别数量,为局部训练提供全局视角的有效引导,同时保护隐私。在各种数据集上的广泛实验表明,GAL 在新类别发现方法方面表现优异,特别是在单个新类别学习阶段,精确度提高了 5.1% 至 10.6%,在两个新类别学习阶段,精确度提高了 7.8% 至 17.9%,而不影响已知类别的性能。此外,GAL 被证明能够有效装备各种不同主流...
提出了全局对齐学习(GAL)框架,准确估计全球新类别数量,为局部训练提供全局视角的有效引导,同时保护隐私。GAL 在新类别发现方法方面表现优异,在单个和两个新类别学习阶段,精确度提高了5.1%至17.9%。GAL 能够有效装备不同主流FL算法具备新类别发现和学习能力,具有潜力。