FAST:面向联邦学习的快速自适应聚合技术进行多标签分类
本研究提出了一种基于聚类的联邦多任务学习框架(Clustered Federated Learning),可在保持数据隐私性的同时,更好地解决联邦学习中本地数据分布不同的问题,并在深度卷积和循环神经网络上进行实验证明了其有效性。
Oct, 2019
在本文中,我们提出了一种自适应的聚类联邦学习框架,名为 FedAC,它通过解耦神经网络并为每个子模块使用不同的聚合方法,有效地将全局知识融合到簇内学习中,同时采用一种经济高效的在线模型相似度度量基于降维技术,以及一个用于改进复杂异构环境中自适应性和可扩展性的簇数微调模块。广泛的实验结果表明,相较于现有方法,FedAC 在不同的非独立同分布设置下,CIFAR-10 和 CIFAR-100 数据集的测试准确率分别提高了约 1.82% 和 12.67%。
Mar, 2024
提出一种新的基于联邦学习的多目标领域自适应算法,通过对模型性能的分析,发现现有领域自适应方法在面对该问题时存在的问题,并提出一种有效的 DualAdapt 方法来解决这些问题。在图像分类和语义分割任务上的大量实验结果表明,我们的方法在客户端设备上实现高准确度,最小通信成本和所需计算资源低。
Aug, 2021
本文从原始对偶优化角度提出一种新的机器学习算法策略来解决分布式学习过程中的非凸问题,使得此算法成为分布式学习架构中所有特性最优秀的算法框架,并且具有通信效率。
May, 2020
本文提出了面向混合标签的联邦学习方法,旨在解决不同中心之间标签的空间不匹配问题,并结合不同联邦学习方法,通过过参数化 ReLU 网络实现线性收敛的标签投影,通过基准和医学数据集验证理论分析的有效性。
Oct, 2022
本文提出了一种改进的联邦学习方法 ——FedALA,通过 Adaptive Local Aggregation (ALA) 模块,适应性地聚合下载的全局模型和本地模型,初始化每个客户端上的本地模型,并进行训练,实验结果表明,FedALA 在计算机视觉和自然语言处理等五个基准数据集上超过了 11 种现有技术的 baselines,提高了最高达 3.27%的测试准确性,同时我们还将 ALA 模块应用于其他联邦学习方法,实现了最高达 24.19%的测试准确性提高。
Dec, 2022
在分散设置中,本文研究了因果多标签特征选择的挑战性问题,并提出了一个包含三个新颖子程序的分散因果多标签特征选择 (FedCMFS) 算法,能够在不集中数据的情况下保持数据隐私,实现对相关特征的选择和移除,为分散设置中的因果多标签特征选择提供了一种有效的方法。
Mar, 2024
提出了一种用于多标签分类的新型联邦学习框架(FedLGT),旨在解决用户异构性和标签相关性等挑战,通过在不同客户端之间传递知识来学习出稳健的全局模型,实验证明在多标签联邦学习场景下超过了标准联邦学习技术,并获得了令人满意的性能。
Dec, 2023
针对联邦学习存在的毒化模型和后门攻击等安全威胁,我们提出了一种基于注意力机制的神经网络攻击自适应的聚合策略。我们的方法可以在数据驱动的方式下,有效应对各种攻击,特别是对图像和文本数据集中的模型毒化和后门攻击的防御具有竞争力的表现。
Feb, 2021