# Federated Multi-Target Domain Adaptation

**Authors:** Chun-Han Yao, Boqing Gong, Yin Cui, Hang Qi, Yukun Zhu, Ming-Hsuan Yang  
**arXiv:** [2108.07792](https://arxiv.org/abs/2108.07792)  
**Date:** 2021-08-17  
**Summary page:** https://www.summarizepaper.com/fr/paper/2108.07792v1/

## Key points

- Les méthodes d'apprentissage fédéré permettent de former des modèles sur des données utilisateur distribuées tout en préservant leur confidentialité.
- Il peut être difficile d'obtenir des signaux de supervision de haute qualité pour les tâches de vision.
- Dans ce scénario, les données client distribuées ne sont pas étiquetées et un ensemble de données étiqueté centralisé est disponible sur le serveur.
- Le problème traité est celui de l'adaptation de domaine avec une source (donnée centralisée du serveur) et plusieurs cibles (donnée client distribuée).
- Une mise en œuvre efficace appelée DualAdapt est proposée pour relever ces défis.
- Des résultats expérimentaux montrent que cette mise en œuvre atteint une grande précision, minimise le coût communicationnel et requiert peu de ressources informatiques sur les appareils clients.
- Une analyse ablative évalue l'efficacité et les coûts individuels des composants du cadre.
- L'introduction de classifieurs locaux globaux améliore la précision sans augmenter significativement les coûts computationnels ni les frais de communication par rapport à Fed-MCD.
- L'auto-apprentissage améliore encore la précision sans augmenter considérablement les coûts computationnels.
- Le mécanisme pondéré GMM permet d'approcher la précision du modèle complet à celle d'un oracle avec seulement 1 000 paramètres supplémentaires à télécharger, démontrant ainsi l'efficacité du pondéré mixup proxy cible.
- Ce travail est lié à l'adaptation centralisée multi-cible mais prend en compte les contraintes liées à l'apprentissage fédéré et aux ressources limitées des appareils clients.

## Summary

Les méthodes d'apprentissage fédéré nous permettent de former des modèles d'apprentissage automatique sur des données utilisateur distribuées tout en préservant leur confidentialité. Cependant, il n'est pas toujours possible d'obtenir des signaux de supervision de haute qualité provenant des utilisateurs, notamment pour les tâches de vision. Contrairement aux paramètres fédérés typiques avec des données client étiquetées, nous considérons un scénario plus pratique où les données client distribuées ne sont pas étiquetées et où un ensemble de données étiquetée centralisée est disponible sur le serveur. Nous prenons également en compte les variations entre le serveur-client et entre les clients et posons un problème d'adaptation de domaine avec une source (donnée centralisée du serveur) et plusieurs cibles (donnée client distribuée). Dans cette nouvelle tâche d'adaptation multi-cible fédérée (FMTDA), nous analysons les performances des moyens existants d'adaptation de domaine et proposons une mise en œuvre efficace appelée DualAdapt pour relever ces défis. Des résultats exprimentiels approfondis sur des tâches de classification d'images et segmentation sèmantique montrent que notre mise en œuvre atteint une grande praccision, minimise le coût en termes communicationnel et requiert peu ressources informatiques sur les appareils clients. Nous effectuons également une analyse ablative pour évaluer l'efficacité et coûts individuells composants du cadre. Les résultats montrent qu’en introduisant classifieurs locaux globaux on obtient 1,1 % gain praccision sans augmenter significativement coûts computationnels ni frais communication par rapport à Fed-MCD. L’auto-apprentissage (ST) ameliore encore la praccision 0,7 % sans augmenter considérablement coûts computationnels. Grâce au mêcanisme pondère GMM la praccision du modèle complet se rapproche oracle alors qu’il y a seullement 1 000 paramètres supplêmentaires à telecharger diffuser ce qui démontre l’efficacité pondère mixup proxy cible. Notre travail est liê à adaptation centralisée multi-cible car meme si certaine moyens ont étê proposés pour résoudre ce problême ells ne tiennent génralement pas compte contraintes liês à l’apprentissage fêdrê ni ressources limités appareils clients.