提出了一种新的联邦学习方案,其中服务器与本地模型合作,通过交换类别的中心来保持一致的决策边界,实现了在网络中使用带有给定噪声的标签的一致决策边界。同时,还提出了选择有自信的样本来更新模型以及全局引导的伪标签方法来更新不自信的样本标签。在嘈杂的 CIFAR-10 数据集和 Clothing1M 数据集上的实验证明,该方法在使用有噪声的标签的联邦学习中非常有效。
Dec, 2020
本文提出了一种在分布式子梯度框架中采用 L1 范数鲁棒性公式的方法来解决分布式环境中的定位问题,并通过数值模拟验证了该方法在异常值较多的环境中的优越性能。
Aug, 2023
本文介绍了一种名为自适应联邦平均的新型算法,该算法利用隐藏马尔可夫模型来检测参与者在训练期间提供的模型更新质量,并提出一种鲁棒聚合规则以检测和丢弃每次训练迭代中的不良或恶意本地模型更新以及阻止不需要的参与者,从而在处理噪声、故障和恶意参与者时具有更高的鲁棒性和计算效率。
Sep, 2019
在分布式或联邦学习中,我们提出了一种新的攻击方案和简单分层计算机制,并且在实验证明了此方法的有效性并保证了在异构数据集下的收敛性。
Jun, 2020
本研究提出一种鲁棒的联邦学习方案,通过并行优化、正则化等方法减小噪声影响,并从理论角度分析了其收敛性和准确性改善,仿真实验进一步验证了该方案的有效性。
Nov, 2019
本文讨论了联邦学习中拜占庭机器的对抗攻击问题,提出了一种具有鲁棒性的迭代联邦聚类算法来识别非拜占庭机器的集群成员身份并优化每个集群学习的模型。
Jun, 2023
本文提出了一个应对标签异质性的框架,该框架通过简单的 α 加权联邦聚合计算分数获得了最多 16.7% 的平均确定性准确性提高,并在树莓派 2 上进行了实验以演示其设备内功能。
Nov, 2020
本研究介绍了 FedProx 框架,用于解决联合学习网络中异构性的问题,并提供了实现更稳健收敛的收敛保证和效果验证。
Dec, 2018
本文提出采用简单的基于阈值的聚类算法以及本地客户端梯度的方法来解决联邦学习个性化问题,在保证最优收敛保障的同时,算法具有健壮性。
本文探讨了如何应对异构设备和用户的挑战,提出了一种新型的聚合算法 FedDist,该算法能够考虑到客户端的差异性而不影响泛化能力,并在人类活动识别普适领域上通过对比测试发现其表现更好。
Oct, 2021