Aug, 2023

联邦学习评估的调查：目标与度量

HTML
PDF
TL;DR评估是一种系统性方法，用于评估系统达到其预期目标的程度。联合学习是一种新的隐私保护机器学习范式，允许多个参与方共同训练模型而无需共享敏感数据。本综述首先回顾现有研究中采用的主要评估目标，然后探讨每个目标所使用的评估指标。我们还介绍了FedEval，这是一个开源平台，以其效用、效率和安全性为依据，为联合学习算法提供了一个标准化和全面的评估框架。最后，我们讨论了联合学习评估的一些挑战和未来研究方向。
发现论文，激发创造
  • 联邦学习系统调查：数据隐私和保护的愿景、炒作和现实

    本文综述了联邦学习系统的定义、系统构成和分类，旨在为未来的研究提供参考，通过对现有联邦学习系统的系统总结，提出了设计因素、案例研究和未来研究机会。

    Jul, 2019

  • 联邦学习的进展：模型、方法和隐私

    本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

    Feb, 2023

  • 联邦学习中联邦评估调查

    本文首次对现有的联邦评估方法进行了全面的调查，并探讨了如何使用联邦评估来提高联邦学习性能，最终提出一些挑战与未来研究方向。

    May, 2023

  • 可信联邦学习: 综述

    本文介绍了联邦学习的可信度问题，并提出了可信度的三个支柱：可解释性、公平性和安全性与隐私性。通过对当前状态的分析和评估，提供了一个综合的可信度结构和信任评估机制。

    May, 2023

  • 联邦学习中的共享内容调查：模型效用、隐私泄露和通信效率的观点

    通过从新的角度，即什么在联邦学习中共享，以模型效用、隐私泄露和通信效率为重点，系统调查了联邦学习方法的新分类、隐私攻击的脆弱性以及不同共享方法的性能与隐私保护的效力，并讨论了当前方法存在的潜在缺陷和未来改进的方向。

    Jul, 2023

  • 联邦学习的推广、鲁棒性、公正性: 调查和基准

    联邦学习是一种有前景的在不同方参与者之间保护隐私的合作范例，本文系统地概述了对联邦学习的重要和最新研究进展，包括研究历史、术语定义、泛化、鲁棒性和公平性等方面，并提出了进一步研究的机会和公开问题。

    Nov, 2023

  • 联邦学习中的贡献评估：现有方法的考察

    联邦学习(Federated Learning)中的Contribution Evaluation (CE)问题对于计算每个客户端的公平价值的评估至关重要。本研究回顾了当前CE方法的数学框架，并对一些最有前景的方法进行了基准测试，展示它们与现有方法的差异。设计一个公平高效的CE方法对于联邦学习的主流应用至关重要。

    Nov, 2023

  • 探索联邦学习的机器学习模型：方法、性能和限制的综述

    分布式学习框架-联邦学习增强了个人数据隐私保护，允许协作研究且无需共享敏感数据；通过多源信息合作，提供更多种类的洞察力。本文是对隐私保护机器学习的系统性文献综述，通过PRISMA指南对近年来得出的有关联邦学习的监督/非监督机器学习算法、集成方法、元启发式方法、区块链技术和强化学习，以及联邦学习应用进行了广泛回顾。旨在为研究人员和实践者提供从机器学习角度对联邦学习的全面概述，并提供了一些开放问题和未来研究方向的讨论。

    Nov, 2023

  • 探索联邦学习的实用性: 从通信的角度进行调查

    调查分析了通信高效的联合学习方法，定义了通信效率的度量方法并提供了系统全面的分类和评述，讨论了提高联合学习系统通信效率的未来研究方向。

    May, 2024

  • 联邦学习中的隐私攻击并非易事：一项实验研究

    本研究解决了联邦学习中隐私攻击有效性的问题，尽管已有多种攻击算法，但是否能在现实环境中有效提取用户私密数据仍不确定。通过对相关文献的分析和在真实联邦学习环境中的实验，我们发现目前的隐私攻击算法在实际应用中难以突破用户数据隐私，这表明隐私攻击的难度超出预期。

    Sep, 2024