Apr, 2020

基于本地差分隐私的物联网联邦学习

PDF
TL;DR本文提出结合联邦学习和本地差分隐私（LDP）来实现机器学习模型以避免隐私泄露，并借助四种 LDP 机制来扰动车辆生成的梯度，其中 Three-Outputs 机制提高了隐私度同时降低了通信成本，并且本文建立了一个新的混合机制，通过结合 Three-Outputs 和 PM-SUB 提高了算法的性能。
internet of vehiclescrowdsourcing applicationslocal differential privacyfederated learningtraffic management
发现论文，激发创造
  • 深度学习中的本地差分隐私

    该研究提出了一种名为 LATENT 的本地差分隐私算法，该算法通过将卷积神经网络架构分为卷积模块、随机化模块和全连接模块，并使用新的差分隐私协议实现随机化模块作为网络功能虚拟化隐私保护服务，在边缘 - 云协同中使得保护隐私的深度学习在物联网环境下更加实用。

    Aug, 2019

  • 稀疏联邦训练在物联网车辆中的目标检测

    提出了一种基于联邦学习的、针对车联网的目标检测方法，在保证性能的前提下降低通信成本。

    Sep, 2023

  • 通过联邦学习增强车联网中的入侵检测

    本文提出了一个基于联邦学习的入侵检测框架，通过使用 CIC-IDS 2017 数据集，在 Internet of Vehicles (IOV) 中实现去中心化机器学习，采用 SMOTE 来处理类别不平衡，异常观测值检测来识别和移除异常观测值，以及超参数调整来优化模型性能，并通过各种性能指标评估了该框架，展示了其在侦测入侵方面的效果，并能保护敏感数据同时实现高入侵检测性能。

    Nov, 2023

  • 局部差分隐私下联邦学习中的实用聚合

    本文研究基于联邦学习的隐私保护问题，提出了一种局部差分隐私机制，以解决当前机制存在的噪声数据接近原始值、估计平均数的方差过大和深度学习模型权重维数高导致隐私预算过大的问题。实验结果表明，该机制不仅具有优异的深度学习性能，而且能够提供强大的隐私保证。

    Jul, 2020

  • 分布式联邦学习：愿景、分类和未来方向

    本文提出一种基于去中心化的分布式联邦学习（DFL）概念，旨在实现 IoT 智能应用的隐私保护与训练效率。文章首先介绍了 DFL 的基础，其次提出了一个包含匹配理论解决方案的 DFL 框架，最后展望了未来研究方向。

    Aug, 2020

  • 物联网联邦学习：最近进展、分类和开放挑战

    本文介绍了联邦学习在物联网应用中的先进发展，提出了一系列度量标准以进行严格评估，设计出了物联网网络上的联邦学习分类法，并提出了比联邦学习更好的隐私保护的分散联邦学习的两种用例，最后提出了一些开放性研究挑战和可能的解决方案。

    Sep, 2020

  • FedPylot：面向物联网的实时对象检测的联邦学习导航

    本研究探讨了在物联网车辆中采用联邦学习的切实可行性和应用价值，并介绍了一种基于 MPI 的轻量级原型系统 FedPylot，以模拟在高性能计算系统上进行联邦目标检测实验，并针对准确性、通信成本和推理速度进行评估，旨在为自动驾驶车辆面临的挑战提供平衡的方法。

    Jun, 2024

  • 辅助车联网的分布式多目标客户端选择在联邦学习中的应用

    在本研究中，我们提出了一种分布式客户选择方案，以减少所有参与者维护活动状态的成本，并通过使用模糊逻辑作为评估器实现了对最高评价客户的选举，从而在准确性上接近集中式客户选择并显著减少通信开销。

    Jan, 2024

  • RL-DistPrivacy: 低延迟 IoT 系统隐私感知分布式深度推理

    本论文通过重新考虑分发策略，并利用增强学习设计来支持异构设备和多个 DNN / 数据集，实现协同深度推理的安全性，以平衡联合推理的延迟和数据隐私级别之间的权衡。

    Aug, 2022

  • 使用分散聚合进行具有差分隐私的联邦学习

    移动设备、隐私、实用性、联邦学习和差分隐私是该研究的主要关键词，研究通过在联邦学习中采用差分隐私的实验环境并使用基准数据集来探讨隐私与实用性之间的平衡问题。

    Nov, 2023