互いに学ぶ:一般化され,連邦化され,インクリメンタルセマンティックセグメンテーション

科学分野:

• コンピュータサイエンス コンピュータサイエンス
• 人工知能 (AI) とは,人工知能 (AI) のことです.
• 機械学習 (Machine Learning) とは,機械学習 (Machine Learning) について学ぶことです.

背景:

• 連邦学習 (FL) は,分散型トレーニングを通じて注釈のコストを削減することにより,意味的セグメンテーションを強化します.
• セマンティックセグメンテーションのための既存のFL方法は,クライアントがストリーミングデータで新しいクラスに出くわしたとき,壊滅的な忘却に苦しんでいます.
• クライアントの間で異質な忘却は,新しいクラスの新しいクライアントの不規則な参加によって悪化します.

研究 の 目的:

• FLベースのセマンティックセグメンテーションにおける壊滅的な忘却に対処するための新しい階層的忘却緩和 (HFA) モデルを提案する.
• すべてのローカルクライアントで古いカテゴリーの知識を保持しながら,新しいカテゴリーの継続的な学習を確保します.
• ダイナミックなFL環境において,クライアント内およびクライアント間での忘却を軽減するために.

主な方法:

• クライアント内での忘却を軽減するために,クラスバランスのとれたソフトシュードラベルのための信頼を規制したシュードラベル戦略を開発しました.
• 古いクラス関係を処理するために,グラフ誘発の関係マッチング損失と忘却バランスグラデント伝播モジュールを設計しました.
• タスク検出モジュールとアダプティブDBSCANクラスタリングを実装し,クライアント間の異質な忘却に対処し,グローバルモデルの更新を管理しました.

主要な成果:

• 提案されたHFAモデルは,地元の顧客における階級不均衡の忘却を効果的に緩和します.
• このモデルは,曖昧な階級間の関係と,階級の不均衡のグラデントの伝播をうまく対処しています.
• 実験により,HFAの優位性は,複数のデータセットにおける既存の方法に優れていることが示されています.

結論:

• HFAモデルは,連邦化された意味論セグメンテーションにおける壊滅的な忘却に対する堅固な解決策を提供します.
• 提案された方法は,ダイナミックで異質なFL環境で効果的な知識保持と知識移転を可能にします.
• HFAは,すべてのクライアントが互いに学び,新しいデータやクラスに常に適応できるようにします.