FEDERATED UNSUPERVISED DOMAIN ADAPTATION

Il presente brevetto presenta una nuova tecnica di Federated Unsupervised Domain Adaptation per affrontare specificatamente scenari di apprendimento federato non-supervisionato affetti dal Domain Shift. Il Domain Shift consiste in una differenza di distribuzione tra i dati del training e del testing set che può peggiorare in modo significativo le performance di un modello pre-allenato. In particolare, si assume di avere un server globale con un proprio dataset etichettato e multipli clients che collezionano in modo continuativo dati non etichettati. Inoltre, si assume che i clients non possano condividere con il server i propri dati per problemi di privacy e che abbiano limitate capacità computazionali e di memoria (tipiche assunzioni dei Federated Learning). La soluzione proposta si basa su un aggiornamento iterativo non supervisionato dei clients utilizzando i loro dati non etichettati. Ciò è reso possibile dalla struttura del classificatore scelto, che può essere suddiviso in Encoder e Classification Head. In particolare, l'Encoder viene aggiornato in ogni iterazione sia dal server che dai clients, mentre la Classification Head viene aggiornata solo dal server ed utilizzata dai clients unicamente per l'inferenza alla fine delle iterazioni.