Jul, 2023

FedDRL：一个基于阶段强化学习的可信联邦学习模型融合方法

PDF
TL;DR我们提出 FedDRL, 一种基于强化学习的两阶段模型融合方法，通过筛选恶意模型和选择可信的客户模型参与模型融合，并自适应调整可信客户模型的权重，实现最优全局模型的聚合，与两个基准算法相比，在五个模型融合场景中，我们的算法具有更高的可靠性，同时保持准确度。
federated learningmodel fusionreinforcement learningmalicious modelsglobal model accuracy
发现论文，激发创造
  • 强化学习作为鲁棒和公平联邦学习的催化剂：解读客户贡献的动态

    提出了一种新的强化联邦学习（RFL）框架，通过深度强化学习在聚合过程中自适应优化客户贡献，提高模型对恶意客户的鲁棒性和参与者之间的公平性，在非独立分布的情况下实现鲁棒性和公平性，并通过验证集性能引导的奖励机制获得了可靠性和公平性的可比较水平。

    Feb, 2024

  • 基于强化学习的动态公平联邦学习

    提出了一种名为 DQFFL 的具有强化学习的动态 q 公平联邦学习算法，旨在通过迭代聚合过程的客户权重分配来缓解联邦学习中设备聚合的差异并提高公平性。实验证明，DQFFL 在整体性能、公平性和收敛速度方面优于现有方法。

    Nov, 2023

  • 联邦学习聚合：具有保证的新的鲁棒算法

    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

  • FedRAD: 联邦式鲁棒性自适应蒸馏

    本研究提出了一种新颖的鲁棒聚合方法 FedRAD，该方法能够检测对手并基于中位数统计量的特性鲁棒地聚合本地模型，并执行一种适应的集成知识蒸馏。大量实验表明，FedRAD 在对手存在以及数据分布异构方面胜过其他聚合器。

    Dec, 2021

  • 联邦深度强化学习

    本文提出了一种新的深度强化学习框架 FedRL，旨在联邦地建立高质量的代理模型，其中考虑到其隐私，并通过利用高斯微分来保护数据和模型的隐私。在 Grid-world 和 Text2Action 领域的实验中，该框架与各种基线模型进行了比较。

    Jan, 2019

  • 移动网络可信联邦学习

    本文介绍了一种基于区块链的可信边缘学习方法，通过引入信誉度指标并利用联盟区块链实现可信度管理，提高了移动网络下的联邦学习任务的可靠性。

    Oct, 2019

  • 联邦信任：可信联邦学习的解决方案

    该研究分析了联邦学习中信任度评估的现有要求，提出了六个支柱（隐私、强壮性、公正性、可解释性、问责制和联邦）和 30 多个计算 FL 模型信任度水平的度量标准，并设计了一个算法 FederatedTrust，可以计算 FL 模型的信任度得分。通过在不同联邦配置下使用 FEMNIST 数据集进行的四个实验，展示了计算 FL 模型信任度的 FederatedTrust 的实用性。

    Feb, 2023

  • FedMR: 基於模型重組的聯邦學習

    本文提出一种名为 FedMR 的新颖、高效的联邦学习模式，通过重新组合每个客户端的收集本地模型的每一层来获得新的模型进行本地训练，从而实现更好的推理性能和客户端隐私保护。实验结果表明，与现有的联邦平均（FedAvg）方法相比，FedMR 在更快的时间内显著提高了推理准确性。

    May, 2023

  • 声誉机制即所需：联邦学习中的协作公平和对抗鲁棒性

    本文提出了一种新的稳健公平联邦学习（Robust and Fair Federated Learning，RFFL）框架，通过声誉机制实现协作公平和对抗鲁棒性，可在基准数据集上实现高公正性并对不同类型的对手非常鲁棒。

    Nov, 2020

  • FedTruth: 拜占庭容错和后门抵制的联邦学习框架

    FedTruth 是一种针对 FL 中的模型污染问题的鲁棒防御方法，通过动态聚合权重估计全局模型更新，考虑了所有良性客户的贡献，并在实证研究中证明了其对拜占庭攻击和后门攻击的毒化更新的影响有很好的缓解效果。

    Nov, 2023