.png){kind=icon}
返回
Federated Chain Context Optimization for Long-Tailed Multi-Label Image Classification
.png){kind=icon}
PRE
AI
DOI：10.1109/TMC.2025.3646844.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
联邦学习是一种新兴的机器学习范式，通过将模型训练过程分布到多个数据持有者，有效缓解了数据孤岛问题。然而，来自真实移动应用的数据通常具有多标签特性，并呈现长尾分布，其中标签通常非独立同分布，从而增加了数据异质性带来的挑战。为解决上述问题，我们提出了用于长尾多标签图像分类的联邦链式上下文优化（FedCCO）。受链式思维（CoT）在增强模型语义表达能力方面成功的启发，该方法利用链式上下文优化（ChCoOp）生成的语义描述向量微调CLIP模型，以建立客户端间头类和尾类之间的语义关联，从而提升模型识别尾类的能力。实验结果表明，FedCCO在联邦学习环境下对VOC-LT和COCO-LT数据集的长尾多标签图像分类中取得了满意性能。
Keyword:
Federated learning
multi-label learning
long-tailed learning
prompt engineering
visual language pre-trained model
期刊
IF:
9.2
论文数:
5.9K
被引数:
1.8W
机构
引用论文
.png){kind=icon}
MobileBERT: a Compact Task-Agnostic BERT for Resource-Limited DevicesMobileBERT: 用于资源有限设备的紧凑任务不可知的BERT
OAAI
OAAI分享收藏分享收藏
DiPrompT: Disentangled Prompt Tuning for Multiple Latent Domain Generalization in Federated Learning
PREAI
分享收藏
查看更多内容