两篇新的研究论文介绍了去中心化联邦域自适应的新颖框架，这是一种在不集中数据的情况下将知识从多个数据源转移到无标签目标域的技术。第一个框架 DeFed-GMM-DaDiL 使用高斯混合模型和 Wasserstein 重心来保持稳定的表示并重建缺失的类别。第二个框架 GALA 通过采用群组差异最小化和动态源优先级策略来解决联邦域自适应的可扩展性问题，在大型和高多样性基准测试中展示了最先进的性能。 AI
影响 这些框架旨在改进去中心化人工智能系统中的知识转移，从而有可能在多样化的数据集上实现更强大和可扩展的应用。
排序理由 arXiv 上发表的两篇学术论文介绍了去中心化联邦域自适应的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.04324v1 Announce Type: new Abstract: Decentralized multi-source domain adaptation seeks to transfer knowledge from multiple heterogeneous and related source domains to an unlabeled target domain in a decentralized setting. We address this challenge through a fully dece…
arXiv:2510.08150v3 Announce Type: replace Abstract: Unsupervised multi-source domain adaptation (UMDA) leverages labeled data from multiple source domains to generalize to an unlabeled target. While federated UMDA addresses privacy by avoiding raw data sharing, existing methods s…