Aprendizaje Mutuo: Segmentación Semántica Incremental Federada Generalizada

Área de la Ciencia:

• Ciencias de la Computación
• Inteligencia Artificial
• Aprendizaje Automático

Sus antecedentes:

• El aprendizaje federado (FL) mejora la segmentación semántica al reducir los costos de anotación a través del entrenamiento descentralizado.
• Los métodos FL existentes para la segmentación semántica sufren de olvido catastrófico cuando los clientes encuentran nuevas clases en datos de transmisión.
• El olvido heterogéneo entre clientes se ve exacerbado por la participación irregular de nuevos clientes con clases novedosas.

Objetivo del estudio:

• Proponer un novedoso modelo de Alivio Jerárquico del Olvido (HFA) para abordar el olvido catastrófico en la segmentación semántica basada en FL.
• Garantizar el aprendizaje continuo de nuevas categorías mientras se retiene el conocimiento de categorías antiguas en todos los clientes locales.
• Mitigar el olvido tanto dentro como entre clientes en entornos dinámicos de FL.

Principales métodos:

• Desarrolló una estrategia de etiquetado pseudo de confianza regularizada para etiquetas pseudo suaves equilibradas por clase para aliviar el olvido dentro del cliente.
• Diseñó una pérdida de coincidencia de relaciones inducida por gráficos y un módulo de propagación de gradientes equilibrado para el olvido para manejar las relaciones de clases antiguas.
• Implementó un módulo de detección de tareas y agrupación adaptativa DBSCAN para abordar el olvido heterogéneo entre clientes y gestionar las actualizaciones del modelo global.

Principales resultados:

• El modelo HFA propuesto alivia eficazmente el olvido desequilibrado de clases dentro de los clientes locales.
• El modelo aborda con éxito las relaciones ambiguas entre clases y la propagación de gradientes desequilibrada de clases.
• Los experimentos demuestran la superioridad de HFA sobre los métodos existentes en múltiples conjuntos de datos.

Conclusiones:

• El modelo HFA proporciona una solución robusta para el olvido catastrófico en la segmentación semántica federada.
• Los métodos propuestos permiten la retención y transferencia de conocimiento efectivas en entornos FL dinámicos y heterogéneos.
• HFA garantiza que todos los clientes puedan aprender unos de otros mientras se adaptan continuamente a nuevos datos y clases.