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&#