Rehearsal-free Federated Domain-incremental Learning

要約

リハーサルのないフェデレートドメインの増分学習フレームワークであるReffilを紹介します。これは、目に見えないドメインが継続的に学習されているフェデレートドメインと秘密の学習における壊滅的な忘却の課題を緩和するためのグローバルな迅速な共有パラダイムに基づいています。
追加のデータセットの使用や以前のタスクからのプライベートデータの保持など、忘却を緩和するための典型的な方法は、デバイスの限られたリソースのためにフェデレートラーニング（FL）では実行可能ではありません。
私たちの方法であるReffilは、ドメイン不変の知識を学習し、異なるFL参加者が表すドメインからのさまざまなドメイン固有のプロンプトを組み込むことにより、これに対処します。
Reffilの重要な特徴は、ドメイン適応プロンプトジェネレーターによるローカルファイングレインプロンプトの生成です。これは、地域のドメインの知識から効果的に学習しながら、地球規模で特徴的な境界を維持します。
また、局所的に生成されたプロンプトと他のドメインのプロンプトを区別するドメイン固有のプロンプト対照学習損失を導入し、Reffilの精度と有効性を高めます。
既存の方法と比較して、Reffilは、余分なメモリスペースを必要とせずに壊滅的な忘却を大幅に軽減し、プライバシーに敏感でリソースに制約のあるデバイスに最適です。

要約(オリジナル)

We introduce a rehearsal-free federated domain incremental learning framework, RefFiL, based on a global prompt-sharing paradigm to alleviate catastrophic forgetting challenges in federated domain-incremental learning, where unseen domains are continually learned. Typical methods for mitigating forgetting, such as the use of additional datasets and the retention of private data from earlier tasks, are not viable in federated learning (FL) due to devices’ limited resources. Our method, RefFiL, addresses this by learning domain-invariant knowledge and incorporating various domain-specific prompts from the domains represented by different FL participants. A key feature of RefFiL is the generation of local fine-grained prompts by our domain adaptive prompt generator, which effectively learns from local domain knowledge while maintaining distinctive boundaries on a global scale. We also introduce a domain-specific prompt contrastive learning loss that differentiates between locally generated prompts and those from other domains, enhancing RefFiL’s precision and effectiveness. Compared to existing methods, RefFiL significantly alleviates catastrophic forgetting without requiring extra memory space, making it ideal for privacy-sensitive and resource-constrained devices.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google