Learning Across Domains and Devices: Style-Driven Source-Free Domain Adaptation in Clustered Federated Learning

要約

Federated Learning (FL) は、実世界のセマンティックセグメンテーション (SS) におけるドメインシフトに、収集データのプライベート性を損なわずに取り組む方法として、最近登場したものである。しかし、FLに関する既存の研究のほとんどは、リモートクライアントにラベル付けされたデータを仮定しており、非現実的である。本論文では、クライアントのデータはラベル付けされておらず、サーバは事前学習のためにのみラベル付けされたデータセットにアクセスするという新しいタスク（FFREEDA）を提案する。FFREEDAを解決するために、我々はLADDを提案する。LADDは局所学習のためにアドホック正則化技術を用いた自己教師法を採用し、クライアントのスタイルに基づいた新しい連合クラスター集約スキームを導入することにより、事前学習済みモデルの知識を利用するものである。我々の実験は、我々のアルゴリズムが既存のアプローチを凌駕して新しいタスクに効率的に取り組むことができることを示している。コードは https://github.com/Erosinho13/LADD で公開されている。

要約(オリジナル)

Federated Learning (FL) has recently emerged as a possible way to tackle the domain shift in real-world Semantic Segmentation (SS) without compromising the private nature of the collected data. However, most of the existing works on FL unrealistically assume labeled data in the remote clients. Here we propose a novel task (FFREEDA) in which the clients’ data is unlabeled and the server accesses a source labeled dataset for pre-training only. To solve FFREEDA, we propose LADD, which leverages the knowledge of the pre-trained model by employing self-supervision with ad-hoc regularization techniques for local training and introducing a novel federated clustered aggregation scheme based on the clients’ style. Our experiments show that our algorithm is able to efficiently tackle the new task outperforming existing approaches. The code is available at https://github.com/Erosinho13/LADD.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL