Nov, 2021

ProxyFL：通过代理模型共享的去中心化联邦学习

PDF
TL;DR本文提出了 ProxyFL，即基于代理的联邦学习，作为一种通信高效、隐私性强，并且能够支持模型异构的去中心化联邦学习方案。基于代理的模型交换运用 PushSum 方法，能消除传统联邦学习的模型同构限制，并使用差分隐私分析得到更强的隐私保护。实验结果表明，ProxyFL 在通信开销上具有优势，并且隐私性更强。
发现论文，激发创造
  • 联邦学习的进展：模型、方法和隐私

    本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

    Feb, 2023

  • 联邦学习：应用、挑战和未来方向

    本文提供了关于联邦学习的概述，并重点关注医疗保健领域。通过中央协调器服务器共享全局深度学习模型，解决了隐私保护需求并探讨了联邦学习遇到的挑战和未来发展方向，其中使用多方计算、同态加密、差分隐私和随机梯度下降等多种隐私方法。

    May, 2022

  • H-FL：面向联邦学习的分层通信高效和隐私保护体系结构

    本文提出了一种名为分层联邦学习（H-FL）的新框架，通过运行时分布重构策略，利用中介将客户端重新分配并重新安排客户端的本地训练，设计了一种压缩校正机制，同时不牺牲模型性能，降低通信开销，引入局部训练的差分隐私，注入适量的噪声到完整模型的一部分中，从而提供隐私保障，在真实的图像识别任务的不同数据集上实验结果表明，我们的 H-FL 框架实现了最先进的性能。

    Jun, 2021

  • 通过联邦学习增强隐私保护的协同信息共享 -- 以保险业为例

    通过利用联邦学习来跨多个保险业数据集学习单个模型，而无需将数据集从一家公司共享到另一家公司，该报告展示了在改进索赔损失建模方面的益处。联邦学习的应用解决了有限数据量和数据多样性这两个最迫切问题，这些问题由于隐私问题、索赔事件的罕见性、缺乏信息性评级因素等造成。

    Feb, 2024

  • 个性化联邦学习基于堆叠

    使用堆叠泛化的新型个性化方法，在保护隐私的情况下，直接发送模型来训练元模型，并在水平、混合和垂直分区联邦中适用各种模型类型和隐私保护技术，从而创建更适合个体客户数据的多个模型，并通过多方面评估每位客户对联邦的贡献。

    Apr, 2024

  • 具有域自适应的私有联邦学习

    本文提出了一种基于联邦学习的机器学习分布式范例，可以在保护隐私的前提下进行多方联合重新训练共享模型，并通过用户级领域自适应来提高模型精度，实验结果表明在为 FL 模型强制实施差分隐私界限时，该技术可以更大程度地提升模型的准确性。

    Dec, 2019

  • 公平差分隐私联邦学习框架

    通过应用裁剪技巧与高斯机制来解决不包含验证数据的公平差分私有联邦学习框架的可能出现的偏见更新问题，同时审查了隐私和公平性在联邦学习中的相关工作，并强调了 MITIGATE 偏见和确保隐私的最新进展和方法。

    May, 2023

  • 隐私敏感视觉任务的扩散模型联邦学习

    通过实验和研究，我们发现联邦扩散模型在隐私敏感领域提供视觉服务方面具有巨大潜力。

    Nov, 2023

  • 隐私敏感领域中联合学习的互惠证明

    通过实现隐私保障和最终模型准确性之间的平衡，本文研究了何时以及如何设计一种对所有参与者都有利的联邦学习协议，并给出了在均值估计和凸随机优化等背景下存在互惠协议的必要和充分条件。此外，本文还设计了最大化最终模型准确性的协议，并通过合成实验验证了其优势。

    Mar, 2024

  • 联邦学习的安全与隐私问题

    分布式学习中的联邦学习存在安全和隐私挑战，本研究针对各类机器学习模型，包括大型语言模型，提出了安全和隐私挑战的综合分类，重点关注聚合器和参与者的攻击，包括投毒攻击、后门攻击、成员推断攻击、生成对抗网络攻击和差分隐私攻击，同时提出了未来研究的新方向，旨在强化联邦学习系统以应对新兴安全风险并保护分布式学习环境中的敏感数据隐私。

    Jul, 2023