跳到正文
热点事件持续更新

研究者提出FedDoG:用服务器端扩散模型为一次性联邦学习免训练生成域数据

1 篇报道1 个报道来源53 分钟前更新

先了解这件事

AI 综述

研究者发布论文提出 FedDoG,一个免训练的域生成框架:利用服务器端预训练扩散模型为一次性联邦学习(OSFL)合成对齐客户端域的数据。论文称,在三个基准上,FedDoG 的分类准确率超过现有 OSFL 基线,客户端上传和计算时间分别减少 99.9% 和 91.5%。 方法上,FedDoG 用冻结图像编码器提取紧凑域表示,经预训练图像条件适配器注入扩散模型,并根据域集中度调节视觉条件强度、按类一致性与预测熵过滤样本。相关代码已公开。

AI 根据报道生成 · 34 分钟前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv cs.AI
    FedDoG:基于服务器端预训练扩散模型的一次性联邦学习免训练域生成方法

    研究者提出 FedDoG,一个免训练的域生成框架,利用服务器端预训练扩散模型为一次性联邦学习(OSFL)合成对齐客户端域的数据。该方法用冻结图像编码器提取紧凑域表示,并通过预训练图像条件适配器注入扩散模型,同时根据域集中度调节视觉条件强度、按类一致性与预测熵过滤样本。在三个基准上,FedDoG 的分类准确率超过现有 OSFL 基线,客户端上传和计算时间分别减少 99.9% 和 91.5%。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。