研究人员开发了 DeFed-GMM-DaDiL，一个用于域自适应的新型去中心化联邦框架。该方法能够在没有中央服务器的情况下，将知识从多个不同的源域迁移到一个无标签的目标域，从而保护客户端隐私。该框架在每个客户端使用高斯混合模型 (GMM)，并通过联邦学习联合逼近这些模型，使用共享的、可学习的 GMM 原子核的 Wasserstein 重心。实证研究表明，DeFed-GMM-DaDiL 能有效处理目标域中的缺失类别，并在自适应基准测试中取得有竞争力的性能。 AI
影响 引入了一种跨去中心化数据集的隐私保护知识迁移方法，有可能提高分布式环境中 AI 模型的泛化能力。
排序理由 该集群描述了一篇关于去中心化联邦域自适应新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →