摘要
联邦学习（Federated Learning, FL）能够促进分布式模型的构建，从而聚合多个具有隐私保护需求的数据源。然而，客户端之间的信息交互可能受到数据分布差异的影响，即非独立同分布（non-i.i.d.）数据带来的挑战。一个尤为困难的情形是：在无法访问目标客户端标注数据的情况下，实现联邦模型向目标客户端的适应。为此，我们提出联邦对抗交叉训练（Federated Adversarial Cross Training, FACT），该方法利用源客户端之间的隐式域差异，识别目标域中的域偏移（domain shift）。在每一轮联邦学习过程中，FACT 通过交叉初始化一对源客户端，生成具有域特性的表示，并将其作为直接对抗信号，用于学习域不变的数据表示。实验结果表明，在三个典型的多源单目标基准测试中，FACT 在性能上优于当前最先进的联邦学习、非联邦学习以及无源域自适应（source-free domain adaptation）模型；在单源单目标场景下，其表现也超越了最先进的无监督域自适应（Unsupervised Domain Adaptation, UDA）模型。此外，我们进一步研究了 FACT 在通信资源受限以及参与客户端数量变化情况下的行为特性。