超级会员免费看
该文综述了联邦学习（FL）在生物识别技术，包括指静脉（FedFV）、人脸（FedFace、FedPAD&&FedGPAD、FedFR、FedGC）和虹膜（FedIris）领域的应用。FedFV引入联合监督损失函数，FedFace利用Spreadout正则化增强类别分散，FedPAD侧重于通用性而非个性化，FedFR采用对比学习正则化策略，而FedGC通过类Softmax修正实现集中训练效果。FedIris提出使用Iris模板和Wasserstein距离来优化权重分配。文章提出了多个未来研究方向，如知识转移载体、安全性及不同生物识别特征的融合策略。
一、指静脉
1.FedFV
①文章创新：基本框架是fedper+N_model参数聚合的方法（区分于fedamp，本文的fedwpr固定聚合权重减少计算开销）+联合监督损失函数
二、人脸
1.FedFace
①
- 场景：每个client中仅有一个identity
- 算法：每个client上传自己identity对应embedding层向量，在Server端使用Spreadout正则化技术，尽可能分散开（类内聚合，类间分散）
② 启发：在实验中添加Spreadout模块，然后用T-SNE可视化一下各个类的间距。
2.FedPAD&&FedGPAD
①
- 本文FedGPAD是受domain-learning启发，相较于现存FL更多的关注“personalization”本文更多研究如何达成更好的“generalization”性能。将数据分解为不同的信息变量（要学习各个domain中的域不变特征，domain具体的特征通常和bg、噪声等有关，如果不同的domain直接聚合会导致性能的下降&#
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
