AAAI论文合集解读|UFDA Universal Federated Domain Adaptation with Practical Assumptions-water-merged

论文标题

UFDA: Universal Federated Domain Adaptation with Practical Assumptions 通用联邦域自适应：具有实际假设的框架

论文链接

UFDA: Universal Federated Domain Adaptation with Practical Assumptions 论文下载

论文作者

Xinhui Liu, Zhenghao Chen, Luping Zhou, Dong Xu, Wei Xi, Gairui Bai, Yihan Zhao, Jizhong Zhao

内容简介

本文提出了一种新的联邦域自适应（FDA）场景，称为通用联邦域自适应（UFDA），旨在解决传统FDA方法中对标签集一致性等假设的严格要求，这些假设在现实世界中往往难以满足。UFDA仅需每个源域的黑盒模型和标签集信息，允许不同源域的标签集不一致，并且目标域的标签集完全未知。为了解决UFDA场景中的域转移和类别差距问题，本文提出了一种名为对比标签消歧热学习（HCLD）的框架。HCLD通过使用来自不同源域的独热输出，结合聚类级的互投票决策（MVD）策略，提取源域和目标域之间的共识知识。实验结果表明，HCLD在UFDA场景下的性能与传统方法相当，但依赖的假设条件显著减少，展示了其在实际应用中的可行性。

分点关键点

1. UFDA场景的提出
   • UFDA场景放宽了传统FDA对标签集一致性的要求，允许源域和目标域之间的标签集存在差异。这一创新使得UFDA在现实世界应用中更具可行性，尤其是在数据隐私和安全性方面。

2. HCLD框架
   • HCLD框架通过使用来自不同源域的黑盒模型的独热输出，生成多个候选伪标签，从而减轻了由于类别差距带来的不确定性。此外，HCLD还引入了基于高斯混合模型的对比标签消歧（GCLD）策略，以提高伪标签的可信度。

3. 互投票决策（MVD）策略

   • MVD策略通过计算共享类的“互投评分”，有效地区分源域和目标域中的共享类和未知类。这一策略利用了源域和目标域之间的共识知识，增强了模型的分类能力。
     

4. 实验结果与实用性

   • 在三个基准数据集上的实验表明，HCLD在UFDA场景下的表现与传统多源域自适应方法相当，但所需的假设条件显著减少，验证了其在实际应用中的有效性和可行性。

论文代码

代码链接：https://github.com/UFDA-HCLD

中文关键词

1. 通用联邦域自适应
2. 联邦学习
3. 标签集一致性
4. 黑盒模型
5. 对比学习
6. 聚类级策略

AAAI2024论文合集：

AAAI2024论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！