.png){kind=icon}
返回
Federated Domain Generalization: A Survey
.png){kind=icon}
PRE
AI
DOI：10.1109/JPROC.2025.3596173.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML）通常依赖于训练和测试分布相同的假设，并且数据集中存储用于训练和测试。然而，在实际场景中，分布可能存在显著差异，数据通常分布在不同的设备、组织或边缘节点上。因此，需要开发能够在跨越不同领域的数据中有效泛化到未见分布的模型。为应对这一挑战，近年来联邦领域泛化（FDG）领域的研究兴趣激增。FDG融合了联邦学习（FL）和领域泛化（DG）技术，促进在多样化源领域上协作开发模型，以实现对新领域的有效泛化，同时保护数据隐私。然而，在领域漂移条件下泛化联邦模型仍是一个复杂且研究不足的问题。本文对该领域最新的进展进行了全面综述。首先，我们讨论了从传统ML到领域自适应（DA）和DG，最终发展到FDG的演变过程，并提供了相应的形式化定义。随后，我们将近期方法分为四类：联邦领域对齐（FDAL）、数据操作（DM）、学习策略（LSs）和聚合优化（AO），并详细介绍了各类别中的典型算法。接着，我们概述了常用的数据集、应用、评估方法和基准测试。最后，本文展望了潜在的未来研究方向。
Keyword:
Domain generalization (DG)
domain shift
federated domain generalization (FDG)
machine learning (ML)
privacy preserving
期刊
IF:
25.9
论文数:
9.9K
被引数:
4.5W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容