Resumen: La generalización del dominio (DG) busca entrenar modelos que funcionen de manera confiable en dominios objetivo invisibles sin acceso a datos objetivo durante la capacitación. Si bien el progreso reciente en el suavizado del panorama de pérdidas ha mejorado la generalización, los métodos existentes a menudo vacilan bajo distribuciones de clase de cola larga y objetivos de optimización conflictivos. Introducimos a Fedtail, un marco de generalización de dominio federado que aborda explícitamente estos desafíos a través de la optimización guiada por la nitidez y alineada. Nuestro método incorpora un regularizador de coherencia de gradiente para mitigar los conflictos entre la clasificación y los objetivos adversos, lo que lleva a una convergencia más estable. Para combatir el desequilibrio de clase, realizamos una minimización de nitidez en clase y proponemos un esquema de ponderación dinámica consciente de la curvatura que enfatiza adaptativamente las clases de cola subrepresentadas. Además, mejoramos la alineación de la distribución condicional al integrar las perturbaciones conscientes de la nitidez en la regularización de la entropía, mejorando la robustez bajo el cambio de dominio. FedTail unifica la armonización de la optimización, la regularización consciente de la clase y la alineación condicional en un marco escalable y compatible con federado. Las evaluaciones extensas en los puntos de referencia de generalización de dominio estándar demuestran que FedTail logra un rendimiento de última generación, particularmente en presencia de cambios de dominio y desequilibrio de etiquetas, validando su efectividad en entornos centralizados y federados. Código: esta URL HTTPS
Publicado Originalme en rss.arxiv.org El 10 de junio de 2025.
Ver Fuente Original
