不平衡环境下用于联邦人脸识别的元学习

文章预览

本文探讨了在数据不平衡的联邦学习环境下进行联邦面部识别（ FFR ）的技术挑战，并提出了一种名为 Hessian-Free Model Agnostic Meta-Learning （ HF-MAML ）的方法来改进这一过程。通过在 CelebA 数据集上创建三种不同类型的数据异质性划分，作者们评估了 HF-MAML 在联邦面部识别任务中的有效性，并发现它相较于传统的联邦平均（ FedAvg ）方法，在验证测试中获得了更高的分数，尤其是在面对数据分布不均的情况下。为了进一步增强模型的泛化能力并避免过拟合特定客户端，研究中引入了一个嵌入正则化项，这有助于提升全局模型的验证性能，并通过减少客户端评估分数的标准差来改善模型的公平性。 1 联邦面部识别 联邦面部识别（ Federated Face Recognition, FFR ）是一种在保护用户隐私的同时进行面部识别的技术，它利用联邦学习（ Federated Learning, FL ）框架让客 ………………………………