联邦学习的鲁棒聚合
该研究对联邦学习框架下聚合策略进行了全面的数学收敛分析,并通过与 FedAvg 进行分类任务的比较来评估其性能,得出了新的聚合算法,该算法可以通过区分客户端贡献的价值来修改其模型架构。
May, 2022
本文介绍了一个基于轻量级加密和数据混淆的联邦学习系统,结合恰当的带宽效率优化和对云服务器主动攻击的安全保护机制,在保证客户端数据隐私的前提下,整合来自多源的数据进行联合训练,并在多项数据集(MNIST、CIFAR-10、CelebA)上验证该系统的可行性及精度。
Feb, 2022
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
本文旨在解决联邦学习系统中模型聚合存在的收敛缓慢和表现鲁棒性等问题,通过提出上下文聚合方案达到在每一轮优化中实现损耗减少的最佳上下文相关界限,同时证明该聚合方案引导了损失函数的明确降低,并在实验中展示了联合使用本方案和现有算法可取得收敛速度和鲁棒性的显著提升。
Mar, 2022
这篇研究论文讨论了在保护用户数据隐私的同时,使用联邦学习和安全聚合对移动设备进行机器学习的方法。其中利用随机旋转和安全聚合技术,使得用户的模型更新能够更有效地量化和保护,从而提高联邦学习的效率和安全。
Nov, 2019
本文设计了一种新的通信有效的安全聚合协议,适用于在移动设备上跨用户训练数据使用分布式随机梯度下降算法进行联邦学习模型的训练,从而保护每个用户的模型梯度,并且在大规模的高维数据上具有较好的性能表现。
Nov, 2016
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
Turbo-Aggregate 是一个高效的分布式机器学习模型安全聚合框架,可以在具有 N 个用户的网络中实现安全聚合的开销为 O (NlogN),同时具备一定程度的容错性和用户隐私保护。
Feb, 2020