FedPNN: 基于进化聚类方法和概率神经网络混合的一次性联邦分类

Apr, 2023

FedPNN: 基于进化聚类方法和概率神经网络混合的一次性联邦分类

FedPNN: One-shot Federated Classification via Evolving Clustering Method and Probabilistic Neural Network hybrid

Polaki Durga Prasad, Yelleti Vivek, Vadlamani Ravi

TL;DR该研究提出了一种两阶段联邦学习方法，结合了改进后的 CTGAN 合成数据和 FedPNN 模型，采用元聚类和进化聚类方法，实现了在保护数据隐私的同时获取全局共享模型。

Abstract

Protecting data privacy is paramount in the fields such as finance, banking, and healthcare. federated learning (FL) has attracted widespread attention due to its decentralized, distributed training and the ability to protect the privacy while obtaining a global shared model. However,

federated learning privacy protection synthetic dataset probabilistic neural network evolving clustering method

发现论文，激发创造

金融异常检测的垂直和水平分割数据上的隐私保护联合学习

我们提出了一种新颖的解决方案 PV4FAD，它结合了全同态加密 (HE)、安全多方计算 (SMPC)、差分隐私 (DP) 和随机化技术，以在训练期间平衡隐私和准确性，并防止模型部署时的推理攻击。

Oct, 2023

基于进化策略的高效通信和隐私保护联邦学习

基于进化策略的联邦学习算法（FedES）通过只传输损失值而减少了通信开销，并且保护了数据隐私。实验结果表明 FedES 在保持收敛性能与反向传播方法相同的同时，能够实现上述优势。

Nov, 2023

隐私不可知聚类提升联邦学习人脸识别

通过使用隐私敏感的 DPLC 机制和全局一致性感知损失函数，本文提出了 PrivacyFace 框架来改善联邦学习人脸识别，该框架在 IJB-B 和 IJB-C 上分别提高了 9.63% 和 10.26% 的精确率，并在大规模数据集上的大量实验中证明了其有效性和实用性。

Jan, 2022

FedFNN：基于更新预测的联邦推荐系统中的训练快速收敛

FedFNN 是一种用于加速分布式模型训练的算法，通过在样本集中使用未采样用户的权重更新，从而在保持或提高准确性的同时，实现比其他方法快 5 倍的训练速度，且在客户端群集变化的情况下表现一致，在可用性有限的情景中优于其他方法，更快地收敛。

Sep, 2023

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

通过健壮聚类减轻联邦学习中差异隐私的不平等影响

提出了一种新颖的聚类差分私有化联邦学习算法，通过基于模型更新和训练损失值对客户进行聚类，以应对联邦学习中的不平等性和隐私保护问题。

May, 2024

具有卷积和脉冲神经网络的异构联邦学习

通过比较不同的数据聚合方法，本文对包含传统人工神经网络（ANNs）和脉冲神经网络（SNNs）的联邦学习系统进行了评估，实验结果表明 CNN-SNN 融合框架在 MNIST 数据集上表现最好，并发现了多模型联邦学习收敛过程中的竞争抑制现象。

Jun, 2024

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

PS-FedGAN: 基于部分共享生成对抗网络的高效联邦学习框架，用于数据隐私保护

提出了一种名为 PS-FedGAN 的新型联邦学习（FL）框架，通过对 GAN 进行部分共享模型，加强 GAN 的发布和训练机制，从而解决客户端数据的异构性问题，并在降低通信成本的基础上加强隐私保护。

May, 2023

FedPDC：面向公共数据集纠错的联邦学习

本文介绍了一种新的 Federated Learning 算法 FedPDC，通过使用某些行业的共享数据集来优化本地模型的聚合方式和本地训练的损失函数。在许多基准实验中，FedPDC 可以在极度不平衡的数据分布情况下有效提高全局模型的准确性，同时确保客户数据的隐私保护，而且准确性提升不会带来额外的通信成本。

Feb, 2023