FedDBP：デュアルブランチ特徴とパーソナライズされたグローバル融合によるフェデレーテッド・プロトタイプ学習の強化

arXiv cs.CV / 2026/4/1

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、単一のグローバル・プロトタイプの使用に伴う限界と、特徴の忠実度／識別性に対処することで、異種なフェデレーテッド学習を扱うことを目的としたフェデレーテッド・プロトタイプ学習手法であるFedDBPを提案する。
クライアント側では、ローカルな特徴の品質を保持しつつクラス間の分離性を向上させるために、L2整合とコントラスト学習の両方を用いるデュアルブランチの特徴プロジェクタを提案する。
サーバ側では、フィッシャー情報を用いてローカル・プロトタイプから最も重要なチャネルを選択、または重み付けすることで、パーソナライズされたグローバル・プロトタイプ融合を追加する。
本論文で報告された実験結果では、FedDBPが既存の先進的なフェデレーテッド・プロトタイプ学習手法10種類を上回る性能を示した。

Abstract

不均一な連合学習（HFL）の解決策として、連合プロトタイプ学習（FPL）はデータとモデルの不均一性に起因する課題を効果的に緩和します。しかしながら、既存のFPL手法は特徴の忠実性と識別性のバランスをうまく取れておらず、単一のグローバル・プロトタイプに制約されています。本論文では、上記の問題に対処する新しいFPL手法としてFedDBPを提案します。クライアント側では、L2整合と対照学習を同時に用いるデュアルブランチの特徴プロジェクタを設計し、ローカル特徴の忠実性と識別性の両方を確保します。サーバ側では、ローカル・プロトタイプの重要なチャネルを特定するためにフィッシャー情報を活用する、パーソナライズされたグローバル・プロトタイプ融合アプローチを導入します。広範な実験により、FedDBPが既存の10の高度な手法よりも優れていることが示されます。