本文提出一种新型的混合方法,将联邦学习和区块链技术相结合,为物联网医疗应用提供安全的隐私保护解决方案,保护数据隐私,保证计算效率,同时保持数据完整性和访问控制。
Apr, 2023
本文提出了一种将增量学习矢量量化算法(XuILVQ)与以太坊区块链技术结合,以促进分布式环境中的安全高效数据共享、模型训练和原型存储的新型物联网解决方案。通过一系列实验评估我们的系统性能,展示了其在物联网环境中提高机器学习任务准确性和效率的潜力。
Nov, 2023
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
本文提出了一种基于云边架构的个性化联邦学习框架,以解决在物联网环境下的设备、统计和模型异构性,能够为智能物联网应用提供高效时延和低延迟的处理能力,并使用人类活动识别案例研究证明了个性化联邦学习在智能物联网应用中的有效性。
Feb, 2020
提出了一种面向资源受限设备的分散协作机器学习框架,使用了基于原型的增量学习算法、基于随机的模型交换协议以及用于预测和原型创建的两种算法。与典型的集中式增量学习方法相比,在准确性、训练时间和鲁棒性方面取得了非常有前景的结果。
Dec, 2023
本研究提出一种基于多方计算的安全集成联邦学习与区块链的方法,使异构模型能够在保护用户隐私的前提下协同学习医疗机构的数据,并利用区块链的属性实现数据完整性和审计控制能力。
May, 2023
整合区块链技术和联邦学习以应对隐私合规和用户数据删除请求的需求,该研究论文探讨了传统遗忘方法的不足之处,并介绍了一种将区块链与联邦学习融合的框架,以确保遗忘请求和行动的不可变记录,并提升数据安全性和隐私保护,以及优化数据管理以保证物联网环境中的系统响应能力。
May, 2024
本文探讨了基于区块链技术进行联邦学习的安全数据共享平台的性能和安全性,系统地回顾了现有的研究。结论是目前该领域仍有许多值得探究的问题和研究方向。
Jun, 2023
在技术时代,数据是一种越来越重要的资源。本文介绍了使用树莓派开发的联邦学习(FL)解决方案原型,通过测试其性能和可用性证明了这些技术的可行性,尽管在许多情况下它们没有达到传统方法的性能水平。
本文提出在网络边缘实现联合学习的设计方面,使用建模激励交互的方式来推动设备的参与,同时列举了几个未解决的研究挑战和未来研究方向。
Nov, 2019