BriefGPT - AI 论文速递
·
联邦连续新类别学习
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
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。
🎯
关键要点
- 提出了全局对齐学习（GAL）框架，旨在准确估计全球新类别数量。
- GAL 为局部训练提供全局视角的有效引导，同时保护隐私。
- 在新类别发现方法方面，GAL 表现优异，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%，且不影响已知类别的性能。
- 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，具有实际应用潜力。
➡️
