Federated Learning for Face Recognition via Intra-subject Self-supervised Learning

Federated Learning (FL) for face recognition（面部识别）通过聚合个体客户端的本地优化模型来构建通用的面部识别模型。然而，以往的研究存在两个主要挑战：自监督学习的不充分融合和客户端需要适应多个主体。为了解决这些限制，我们提出了FedFS（Federated Learning for personalized Face recognition via intra-subject Self-supervised learning framework），这是一种新的联邦学习架构，旨在训练个性化的面部识别模型，而不需要强制实施主体。我们的FedFS包括两个关键组成部分，利用本地和全局模型的聚合特征与现成模型的表示相互配合，分别是（1）自适应软标签构建，利用点积运算来重新格式化内部实例的标签，和（2）内部主体自监督学习，利用余弦相似性运算来增强强大的内部主体表示。此外，我们引入了正则化损失来防止过拟合并确保优化模型的稳定性。为了评估FedFS的有效性，我们在DigiFace-1M和VGGFace数据集上进行了全面的实验，证明其与以往方法相比具有更优异的性能。

本论文尝试解决个性化人脸识别中缺乏自监督学习和需要客户端适应多个主体的问题。

本文提出了一种新的联邦学习架构FedFS，通过个体间的自监督学习框架来训练个性化的人脸识别模型，避免了对主体的限制。FedFS包括两个关键组件：自适应软标签构建和个体内自监督学习。此外，还引入了正则化损失以防止过拟合和确保模型的稳定性。

本文在DigiFace-1M和VGGFace数据集上进行了全面的实验，证明了FedFS相比于先前的方法具有更好的性能。值得关注的是，本文提出的自适应软标签构建和个体内自监督学习也可以应用于其他领域。

最近的相关研究包括：'Federated Learning for Privacy-Preserving Face Recognition'、'Deep Learning for Face Recognition: A Comprehensive Survey'等。