联邦学习中的异质性好还是坏：FedVal

Jun, 2023

联邦学习中的异质性好还是坏：FedVal

FedVal: Different good or different bad in federated learning

Viktor Valadi, Xinchi Qiu, Pedro Porto Buarque de Gusmão, Nicholas D. Lane, Mina Alibeigi

TL;DR本论文提出了一种名为 FedVal 的新方法，该方法基于服务器端验证方法，使用创新的评分函数来评估客户端更新，并确定本地训练模型之间的最佳聚合平衡，从而提高鲁棒性和公平性，同时维护差分隐私的系统能力。在 CIFAR-10，FEMNIST 和 PUMS ACSIncome 数据集上的广泛实验证明了我们的方法的有效性，实现了最先进的性能。

Abstract

federated learning (FL) systems are susceptible to attacks from malicious actors who might attempt to corrupt the training model through various poisoning attacks. FL also poses new challenges in addressing

federated learning poisoning attacks group bias privacy concerns server-side validation

发现论文，激发创造

联邦学习中的数据估值与检测

使用隐私保护方法进行数据估值的联邦学习研究，借助 Wasserstein 距离提供透明数据评估和有效计算 Wasserstein barycenter 以减少对验证数据的依赖，并通过广泛的实证实验和理论分析展示了该估值指标的研究前景。

Nov, 2023

FreqFed: 基于频率分析的联邦学习中缓解污染攻击的方法

FreqFed 是一种新颖的聚合机制，通过将模型更新转换到频域，可以有效过滤掉恶意攻击，无论攻击类型、策略和客户端数据分布，从而在不影响聚合模型的实用性的前提下有效缓解毒化攻击。

Dec, 2023

多维公平联邦学习

我们提出了一种名为 mFairFL 的方法，通过使用差分乘数构建优化目标，同时实现组公平和客户公平，以解决在隐私不受损失的情况下训练公平的 FL 模型的问题。理论分析证明 mFairFL 有助于模型的公平性，并且基于三个基准数据集的实验评估显示 mFairFL 相对于七个最先进的基准模型具有显著优势。

Dec, 2023

Fed-Credit：具有可信管理的稳健联邦学习

基于可信度管理方案的鲁棒联邦学习方法，可以保护隐私并对抗恶意攻击。

May, 2024

FedRDF：面向联邦学习中的毒化攻击的强大动态集成函数

我们的研究引入了一种新颖的健壮汇聚机制，利用傅里叶变换，能够有效应对复杂攻击，包括恶意行为和模型污染攻击，并且在各种模型污染攻击中表现出优越性能。

Feb, 2024

联邦学习中的偏差缓解

本研究提出了三种预处理和处理方法以及实验验证，以减轻联邦学习中的偏见和数据异构性对模型性能、公平指标和偏见学习模式的影响，结果表明这些方法即使在当事方数据分布不均或只有 20% 的当事方采用这些方法时也是有效的。

Dec, 2020

走向多目标统计公平联邦学习

本文针对联邦学习领域中的数据隐私和公平性问题，提出了一种能够满足不同统计公平度量的新方法，并进行实验验证其在满足多个目标方面的有效性和鲁棒性。