Aumento de Estilo Colaborativo Multi-Fuente y Aprendizaje Invariante al Dominio para Generalización de Dominio Federado

La generalización de dominio federado tiene como objetivo aprender un modelo generalizable a partir de múltiples dominios fuente descentralizados para implementar en el dominio objetivo no visto. Los métodos de aumento de estilo han logrado un gran progreso en la generalización de dominio. Sin embargo, los métodos de aumento de estilo existentes ya sea exploran los estilos de datos dentro de un dominio fuente aislado o interpolan la información del estilo entre los dominios fuente existentes en el escenario de descentralización de datos, lo que limita el espacio de estilos. Para abordar este problema, proponemos un método de Aumento de Estilo Colaborativo Multi-Fuente y Aprendizaje Invariante al Dominio (MCSAD) para la generalización de dominio federado. Específicamente, proponemos un módulo de aumento de estilo colaborativo multi-fuente para generar datos en un espacio de estilo más amplio. Además, llevamos a cabo un aprendizaje invariante al dominio entre los datos originales y los datos aumentados mediante la alineación de características entre dominios dentro de la misma clase y la destilación de relación de clases entre diferentes clases para aprender un modelo invariante al dominio. Al realizar alternativamente el aumento de estilo colaborativo y el aprendizaje invariante al dominio, el modelo puede generalizar bien en dominios objetivo no vistos. Experimentos exhaustivos en múltiples conjuntos de datos de generalización de dominio indican que nuestro método supera significativamente a los métodos de generalización de dominio federado de última generación.