Feb, 2022

联邦学习的聚合服务：高效、安全、更具韧性的实现

PDF
TL;DR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。
federated learningprivacy protectionencryptionbandwidth efficiencycloud server security
发现论文，激发创造
  • 联邦学习聚合：具有保证的新的鲁棒算法

    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

  • 在联邦学习中防范多轮隐私泄露：保障安全聚合

    本研究提出一种具有多轮隐私保障的安全聚合框架，包括一个新的衡量指标来量化联邦学习的隐私保证，并开发了一种结构化的用户选择策略来保证每个用户的长期隐私（在任意数量的训练轮次下），并在 MNIST 和 CIFAR-10 数据集上进行了实验。

    Jun, 2021

  • 在联邦学习中协调安全性和通信效率

    本文解决了跨设备联邦学习中通信效率问题并提出了一种基于安全聚合的压缩方法，使得在保证通信安全的前提下能够实现高效联邦学习。

    Jul, 2022

  • 自动调音的通信高效安全聚合联邦学习

    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

  • Efficient-FedRec: 保护隐私的新闻推荐高效联邦学习框架

    本篇论文提出了一种有效的联邦学习框架，用于保护隐私的新闻推荐，通过在服务器上维护一个大的新闻模型和在服务器和客户端共享的轻量级用户模型来分解新闻推荐模型，实现了客户端的计算和通信成本的降低，并通过隐私保护的安全聚合方法对梯度进行聚合。

    Sep, 2021

  • 面部识别系统中保护隐私的联邦学习方法

    通过使用联邦学习（包括有和无安全聚合器）在受监督和无监督的人脸识别系统中进行训练，我们的实验结果表明联邦学习既保护了隐私又实现了与单独模型几乎相同的性能。我们的研究工作揭示了隐私保护的人脸图像训练中的实际挑战，尤其注重隐私和准确性的平衡问题。

    Mar, 2024

  • 安全聚合并不是你所需要的一切：使用噪声容忍度在联邦学习中缓解隐私攻击

    本文研究了在联合学习中，如果服务端是恶意的但试图获得私人数据，会面临什么样的安全聚合漏洞，并提供了一种进一步防御此类恶意服务器的方法，并展示了防御针对已知攻击的有效性。

    Nov, 2022

  • 联邦学习算法的效率和隐私的实证研究

    物联网网络和数据处理技术的发展对分布式学习方法中的联邦学习具有巨大潜力，本论文通过两个实例展示了联邦学习在物联网网络中实现高效和保护隐私的机器学习的潜力，并通过模拟研究了隐私和准确性之间的权衡关系。

    Dec, 2023

  • 联邦学习的鲁棒聚合

    本文提出了一种使用鲁棒集成中位数的方法来实现联邦学习的鲁棒性，该方法使用常数次迭代实现了随机平均值，不仅能保护隐私，而且在计算机视觉和自然语言处理的三个任务中也有较好的性能。

    Dec, 2019

  • 边缘计算中快速且鲁棒的联邦学习的上下文模型聚合

    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