Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

FedRecon : Reconstruction des modalités manquantes dans les environnements distribués hétérogènes

Created by
  • Haebom

Auteur

Junming Liu, Yanting Gao, Yifei Sun, Yufei Jin, Yirong Chen, Ding Wang, Guosun Zeng

Contour

Cet article propose FedRecon, une méthode d'apprentissage fédéré (AF) pour les données multimodales présentant des distributions identiques incomplètes et non indépendantes (Non-IID), caractéristiques fréquemment rencontrées dans des scénarios réels. Il s'agit de la première méthode à cibler simultanément la reconstruction modale manquante et l'adaptation non-IID. Elle utilise un autoencodeur variationnel multimodal léger (MVAE) pour reconstruire les données modales manquantes tout en maintenant la cohérence intermodale, et un nouveau mécanisme de mappage de distribution garantit la cohérence et l'exhaustivité des données. De plus, une stratégie de fixation du générateur global est introduite pour prévenir les oublis catastrophiques et atténuer les variations non-IID. Une évaluation approfondie sur des ensembles de données multimodales démontre que FedRecon surpasse les méthodes de pointe existantes dans des conditions non-IID.

Takeaways, Limitations

•
Takeaways:
◦
Nous présentons une nouvelle méthode pour résoudre simultanément les problèmes de reconstruction modale manquante et d'adaptation non IID des données multimodales.
◦
Assure la cohérence et l'exhaustivité des données grâce à un MVAE léger et un mécanisme de mappage de distribution innovant.
◦
Atténuer la dégradation des performances due aux fluctuations non IID grâce à une stratégie globale de fixation du générateur.
◦
Nous démontrons des performances de reconstruction modale supérieures, surpassant les méthodes les plus performantes existantes dans des conditions non IID.
•
Limitations:
◦
La divulgation du code est prévue après l'acceptation du document, la vérification de la reproductibilité n'est donc actuellement pas possible.
◦
Une analyse des performances supplémentaire pour différents types de distributions non IID est nécessaire.
◦
Seuls les résultats d’évaluation pour des types spécifiques de données multimodales sont présentés, ce qui nécessite une validation supplémentaire de la généralisabilité.
👍
Made with Slashpage