Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Mitigating Domain Shift in Federated Learning via Intra- and Inter-Domain Prototypes

Created by
  • Haebom

저자

Huy Q. Le, Ye Lin Tun, Yu Qiao, Minh N. H. Nguyen, Keon Oh Kim, Choong Seon Hong

개요

본 논문은 비균질 도메인에서의 연합 학습 문제를 해결하기 위해 도메인 내 및 도메인 간 프로토타입을 모두 활용하는 새로운 연합 프로토타입 학습 방법인 I²PFL을 제안합니다. 기존 방법들이 도메인 간 프로토타입에만 집중하는 것과 달리, I²PFL은 도메인 내 다양성을 포착하기 위해 MixUp 기반 증강 프로토타입을 사용한 특징 정렬을 통해 도메인 내 프로토타입을 구성합니다. 또한, 도메인 간 프로토타입에 대한 재가중치 메커니즘을 도입하여 도메인 간 지식을 제공하면서 도메인 이동을 줄이는 일반화된 프로토타입을 생성합니다. Digits, Office-10, PACS 데이터셋을 이용한 실험 결과, I²PFL이 다른 기준 모델들보다 우수한 성능을 보임을 확인했습니다.

시사점, 한계점

시사점:
도메인 내 및 도메인 간 프로토타입을 모두 고려하여 비균질 도메인에서의 연합 학습 성능을 향상시킬 수 있는 새로운 방법 제시.
MixUp 기반 증강 프로토타입을 활용한 도메인 내 특징 다양성 확보 및 일반화 성능 향상.
도메인 간 프로토타입 재가중치 메커니즘을 통한 도메인 이동 감소 및 일반화된 모델 학습.
다양한 데이터셋에서의 실험을 통해 방법의 우수성 검증.
한계점:
제안된 방법의 계산 복잡도 및 효율성에 대한 추가적인 분석 필요.
더욱 다양하고 복잡한 실제 환경 데이터셋에 대한 실험 필요.
도메인 내 프로토타입 생성 및 도메인 간 프로토타입 재가중치 메커니즘의 최적 파라미터 설정에 대한 추가 연구 필요.
👍