通过联邦评估机制实现自适应加权，以适应带有边缘设备的领域自适应

《ACM Transactions on Sensor Networks》：Adaptive Weighting via Federated Evaluation Mechanism for Domain Adaptation with Edge Devices

针对联邦学习在智慧城市应用中存在的域适应性能瓶颈问题，提出基于无标签对抗学习的全局模型优化方法，通过最小化跨域分布差异提升聚合效果，并开发快速检测器增强图像质量，实验验证其有效性。

　　

摘要

联邦学习是智能城市中边缘计算的一种新兴应用范式。一方面，它能够高效、私密且安全地处理敏感数据；另一方面，它减轻了智能城市对集中式数据处理的依赖。然而，在实际应用中，由于领域适应导致的性能下降已成为限制联邦学习广泛应用的瓶颈。大多数现有方法通过设计新的本地学习方法来解决这一问题，以在不同领域之间传递知识，但忽略了全局模型聚合的优化。为了解决这个问题，我们提出了一种新的方法，该方法利用无标签对抗学习技术来评估在不同领域下全局模型学习到的表示。在联邦学习的约束条件下，我们通过将每个领域的分布与全局分布对齐来最小化差异。此外，我们还开发了一种快速检测器来提高生成图像的质量。通过在图像分类任务上的大量实验，我们展示了有希望的结果，并证明我们的方法可以作为联邦学习中其他本地优化器的强大补充。