IJCAIJun, 2023

在联邦学习中平衡准确性与训练时间：关于神经网络结构的暴力检测在监控视频中的研究

PDF
TL;DR该研究通过使用机器学习技术来进行视频中的暴力检测，并在联邦学习环境下进行了适应性调整。通过实验使用了来自基准视频数据集中提取的时空特征，比较了不同方法，并提出了一种名为 “Diff-Gated” 的修改版本的 “Flow-Gated” 架构。此外，还探索了各种机器学习技术，包括超收敛和迁移学习，并开发了一种将中心化数据集适应于联邦学习环境的方法。通过在联邦学习环境中训练最佳的暴力检测模型，研究取得了与最先进模型相比更好的准确性结果。
machine learning techniquesviolence detectionfederated learningspatio-temporal featuresflow-gated architecture
发现论文，激发创造
  • 模拟跨机构精神科设置中的暴力事件预测的联邦学习

    本文研究应用联邦学习和自然语言处理于跨机构精神科领域进行暴力危险评估，并比较四个模型的性能，结果显示联邦学习模型表现最佳，可能为基于临床笔记的联邦学习应用开启了新的可能性。

    May, 2022

  • 基于神经网络的新型不平衡和非独立同分布数据的联邦学习系统

    通过提出集中式的、基于神经网络的联邦学习系统，利用边缘计算减少中央服务器的负载，同时在各种数据分布设置中相对于一些现有基准算法取得令人满意的性能。

    Nov, 2023

  • 通过架构设计处理联邦视觉识别中的数据异构性

    联邦学习是一种有前途的研究范式，可以在各方之间进行机器学习模型的协作训练，而无需进行敏感信息交换。本研究对应用于视觉识别的联邦学习进行了广泛的回顾，强调深思熟虑的架构设计选择在实现最佳性能方面的重要作用。通过对各种先进架构的深入分析，我们实验证明了架构选择可以显著提高联邦学习系统的性能，尤其是在处理异构数据时。同时，我们研究了来自五个不同架构系列的 19 个视觉识别模型在四个具有挑战性的联邦学习数据集上的性能，重新调查了卷积架构在联邦学习环境中的劣势表现，并分析了规范化层对联邦学习性能的影响。我们的研究结果强调了在实际场景中的计算机视觉任务中架构设计的重要性，有效地缩小了联邦学习和集中学习之间的性能差距。

    Oct, 2023

  • 联邦学习与迁移学习：对敌手和防御机制的综述

    本文在安全的角度对联邦学习和迁移学习进行了全面的调查，旨在发现可能会危害使用联邦和迁移学习系统的隐私和性能的潜在漏洞和防御机制。

    Jul, 2022

  • 5G 及其后续 V2X 网络中的零日攻击检测的联邦学习

    利用深度自编码器方法检测基于良性网络流量模式的攻击，通过联邦学习训练侵入检测系统，同时保护 CAVs 的隐私并减少通信开销。在最新的网络流量数据集上进行的深入实验表明，该系统实现了高检测率，并最小化误报率和检测延迟。

    Jul, 2024

  • 仇恨言论检测的联邦方法

    本文研究了针对社交媒体上产生的内容进行仇恨言论检测，在此基础上探讨采用联邦机器学习方法应对隐私问题，并且可以在 F1 得分方面获得高达 6.81% 的提高。

    Feb, 2023

  • Fed-Safe: 在医疗保健中保护联邦学习免受对抗攻击

    该研究探讨了医学图像分析中联邦学习应用的安全方面。通过引入联邦环境中的分布式噪音，可以开发出具备对抗攻击鲁棒性并符合联邦隐私标准的模型。研究结果表明，引入分布式噪音可达到与传统对抗训练相当的安全水平，同时需要更少的样本进行重新训练。

    Oct, 2023

  • 纵向联邦图像分割

    提出了一种创新的垂直联邦学习 (VFL) 模型架构，能够在常见情况下进行操作。通过利用一个能够处理缺少标记数据的联邦状况的 FCN, 以及与承载分类所需特征的中央服务器私密共享权重的方式，实现图像分割并保持准确性。在 CamVid 数据集上进行了测试，以确定在联邦之间传输信息所需的特征压缩的影响，并在此类约束条件下对整体性能指标作出合理的结论。

    Jan, 2024

  • 基于联邦学习方法的数据不平衡对信用风险预测的影响

    信用风险预测对商业银行和其他金融机构在授予贷款和减少潜在损失方面起着关键作用。本研究调查了联邦学习在信用风险评估中的可行性，并展示了数据不平衡对模型性能的影响。通过使用多层感知机 (MLP)、长短期记忆网络 (LSTM) 和极限梯度提升 (XGBoost) 等不同架构，以及三个不同数据集和不同场景下的数据分布配置，我们证明了联邦模型在数据集较小的非主导客户上始终优于本地模型，在高度不平衡的数据场景中平均提高了 17.92% 的模型性能，然而对于数据更多的主导客户，联邦模型可能表现出较低的性能，因此需要针对这类客户提供特殊的激励以鼓励其参与。

    Jan, 2024

  • 通过联邦学习增强车联网中的入侵检测

    本文提出了一个基于联邦学习的入侵检测框架，通过使用 CIC-IDS 2017 数据集，在 Internet of Vehicles (IOV) 中实现去中心化机器学习，采用 SMOTE 来处理类别不平衡，异常观测值检测来识别和移除异常观测值，以及超参数调整来优化模型性能，并通过各种性能指标评估了该框架，展示了其在侦测入侵方面的效果，并能保护敏感数据同时实现高入侵检测性能。

    Nov, 2023