AdaFedFR: Federated Face Recognition with Adaptive Inter-Class Representation Learning

随着越来越多的人们关注数据隐私和通信安全在人脸识别应用中的问题，联邦学习已被引入以实现分散数据集的人脸识别模型的隐私保护学习。然而，现有的工作仍然面临着性能不佳和额外通信成本等挑战，限制了它们在实际场景中的适用性。本文提出了一种简单而有效的联邦人脸识别框架AdaFedFR，通过设计一种自适应的类间表示学习算法来增强通用人脸模型的泛化能力和联邦训练的效率，在严格保护隐私的前提下。具体而言，我们的工作精细地利用公共身份的特征表示作为可学习的负知识来优化特征空间内的本地目标，进一步鼓励本地模型学习强大的表示并优化客户端的个性化模型。实验结果表明，我们的方法在不到3个通信轮次内在几个流行的人脸识别基准测试中优于以前的方法，表现出友好的通信和高效性。

提出一种简单而有效的联邦学习人脸识别框架AdaFedFR，旨在解决现有方法在隐私保护和性能方面的不足。

通过设计自适应的跨类别表示学习算法，在特征空间内优化本地目标，进一步鼓励本地模型学习强大的表示，并为客户端优化个性化模型，以提高通用人脸模型的泛化性能和联邦训练的效率。

实验结果表明，AdaFedFR在少于3个通信轮次内在多个流行的人脸识别基准测试中优于以前的方法，具有友好的通信和高效性。

最近的相关研究包括联邦学习、隐私保护人脸识别、跨域人脸识别等。