此论文介绍了图联邦学习,这是一种多服务器联邦学习方案,使用密码学和差分隐私概念来保护隐私数据,并证明在特定条件下可以匹配非私有算法的性能。
Apr, 2021
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。
Feb, 2022
提出了一种新的算法,通过差分隐私保护的联邦优化算法来处理联邦学习中的差分攻击问题,能够在只牺牲模型性能的小量代价下保持客户端差分隐私。
Dec, 2017
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
本文设计了以用户为中心的聚合规则,基于可用的梯度信息,为每个联邦学习客户端生成个性化模型,并得出了一种课通信高效的变体,以优于流行的个性化联邦学习基线的平均正确性,最差节点性能和训练通信开销。
Apr, 2023
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
提出使用稀疏随机图而非完全图来设计共享节点拓扑的低复杂度方案,在保证可靠性和隐私性的前提下,相对于现有的安全解决方案大幅度降低了通信 / 计算资源使用量。
Dec, 2020
本文研究基于联邦学习的隐私保护问题,提出了一种局部差分隐私机制,以解决当前机制存在的噪声数据接近原始值、估计平均数的方差过大和深度学习模型权重维数高导致隐私预算过大的问题。实验结果表明,该机制不仅具有优异的深度学习性能,而且能够提供强大的隐私保证。
Jul, 2020
本文介绍了关于联邦学习的理论方面,提出了一个聚合算子和不同类型的联邦学习,针对客户端数据分布要考虑的问题进行了详尽的分析,并提出了胸部 X 光图像分析的使用案例。针对训练数据中的不同客户端进行了模拟,并考虑了中断客户端所带来的不同问题及其解决方案。比较了集中式方法、三个客户端和十个客户端的预测结果,结果显示联邦学习在保护隐私以及提高预测准确性、降低运行时间方面具有很好的效果。最后,提出了未来工作和改进方向。
Jul, 2022
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