FedPD: Reconhecimento Federado de Conjunto Aberto com Desentrelaçamento de Parâmetros

As abordagens de aprendizado federado (FL) existentes são implantadas sob a configuração irrealista de conjunto fechado, em que tanto as classes de treinamento quanto as de teste pertencem ao mesmo conjunto, o que faz com que o modelo global não consiga identificar as classes não vistas como 'desconhecidas'. Para isso, nosso objetivo é estudar um novo problema de reconhecimento federado de conjunto aberto (FedOSR), que aprende um modelo de reconhecimento de conjunto aberto (OSR) sob o paradigma federado de tal forma que classifica classes vistas enquanto ao mesmo tempo detecta classes desconhecidas. Neste trabalho, propomos um algoritmo de reconhecimento federado de conjunto aberto guiado pelo desentrelaçamento de parâmetros (FedPD) para enfrentar dois desafios centrais do FedOSR: a interferência interconjunto entre o aprendizado de conhecimento de conjunto fechado e aberto e a inconsistência intraconjunto entre clientes devido à heterogeneidade dos dados. O framework proposto FedPD utiliza principalmente dois módulos, ou seja, desentrelaçamento de parâmetros local (LPD) e agregação de divisão e conquista global (GDCA), para primeiro desentrelaçar o modelo OSR do cliente em diferentes sub-redes e, em seguida, alinhar as partes correspondentes entre os clientes para agregação de modelo correspondente. Especificamente, no lado do cliente, o LPD desacopla um modelo OSR em uma sub-rede de conjunto fechado e uma sub-rede de conjunto aberto pela importância relacionada à tarefa, evitando assim a interferência interconjunto. No lado do servidor, o GDCA primeiro partitiona as duas sub-redes em partes específicas e compartilhadas e, subsequentemente, alinha as partes correspondentes através de transporte ótimo para eliminar desalinhamento de parâmetros. Experimentos extensivos em vários conjuntos de dados demonstram o desempenho superior do nosso método proposto.