计算机科学 > 计算机视觉与模式识别
[提交于 2025年7月23日
]
标题: FedVLM:通过联邦学习实现可扩展的个性化视觉-语言模型
标题: FedVLM: Scalable Personalized Vision-Language Models through Federated Learning
摘要: 视觉-语言模型(VLMs)表现出令人印象深刻的零样本和少量样本学习能力,使其成为多个下游任务的关键。 然而,在大规模环境下微调这些模型仍然具有挑战性,特别是在联邦环境中,数据是去中心化的且在客户端之间是非独立同分布的。 现有的参数高效微调方法如LoRA(低秩适应)减少了计算开销,但在处理异构客户端数据时表现不佳,导致泛化效果不理想。 为了解决这些问题,我们提出了FedVLM,这是一种联邦LoRA微调框架,能够在保护模型隐私的同时实现视觉-语言模型的去中心化适应,并减少对集中式训练的依赖。 为了进一步应对数据异质性问题,我们引入了个性化LoRA(pLoRA),它能够动态适应每个客户端的独特数据分布,显著提升本地适应效果,同时保持全局模型聚合。 在RLAIF-V数据集上的实验表明,pLoRA在标准LoRA的基础上提高了客户端特定性能24.5%,展示了在非独立同分布设置中的优越适应性。 FedVLM为在联邦设置中微调VLMs提供了一个可扩展且高效的解决方案,推动了分布式学习场景中的个性化适应。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.