28、非IID数据下的双重对抗联邦学习与低质量弹幕检测

非IID数据下的双重对抗联邦学习与低质量弹幕检测

1. 双重对抗联邦学习在非IID数据上的表现

在联邦学习中，非独立同分布（Non-IID）数据是一个常见且具有挑战性的问题。传统的联邦学习方法在处理非IID数据时，往往无法充分利用潜在特征图来应对客户端之间固有的潜在特征分布差异，从而导致全局模型在非IID客户端上的性能欠佳。

1.1 DAFL的优势

双重对抗联邦学习（DAFL）在处理非IID数据方面表现出色。通过在多个真实世界数据集上的实验，在独立同分布（IID）数据设置以及各种非IID数据设置下，DAFL在大多数情况下都显著优于其他最先进的方法。这是因为DAFL能够有效缓解潜在特征图之间的冲突，而其他方法则难以做到这一点。

1.2 DAFL的实现原理

DAFL提出了一种局部双重对抗训练方法，包括前向训练和反向训练，旨在隐式地生成具有相同标签的数据的共识潜在特征图。这样可以提高全局模型的准确性，并减少客户端之间潜在特征图的差异。

2. 低质量弹幕检测的背景与挑战

随着在线视频平台的发展，弹幕（DanMu）这种用户生成的评论形式在日本和中国变得越来越流行。弹幕为用户带来了“虚拟现场感”和共同观看的体验，但同时也带来了一些负面影响，如目标阻碍、信息过载、分心问题以及不礼貌和无关的评论。

2.1 现有方法的局限性

目前，一些研究利用文本内容进行低质量弹幕检测，但这些方法往往忽略了视觉上下文，并且没有考虑用户的观看行为。然而，视觉上下文对于检测无关评论至关重要，而用户在观看带弹幕的视频时通常会表现出特定的模式，如何利用这些模式来提高检测性能仍有待进一步探