LR-XFL：基于逻辑推理的可解释联邦学习

Aug, 2023

LR-XFL：基于逻辑推理的可解释联邦学习

LR-XFL: Logical Reasoning-based Explainable Federated Learning

Yanci Zhang, Han Yu

TL;DR通过在联邦学习中引入基于逻辑推理的可解释性机制，Logical Reasoning-based eXplainable Federated Learning (LR-XFL) 方法在保护数据隐私的同时，提高了分类精确度、规则准确度和规则保真度，并使专业人员能够验证和纠正规则，从而提高了联邦学习模型的透明度。

Abstract

federated learning (FL) is an emerging approach for training machine learning models collaboratively while preserving data privacy. The need for privacy protection makes it difficult for FL models to achieve global tran

federated learning logical reasoning-based explainable federated learning privacy protection logic-based explanations transparency

发现论文，激发创造

低成本零知识证明的安全可验证数据协作

我们提出了一种新颖且高效的解决方案 RiseFL，用于安全和可验证的数据协作，同时确保输入的隐私和完整性。

Nov, 2023

贝叶斯联邦学习：综述

本文是一项关于贝叶斯联邦学习（BFL）的问题与应用的调查研究，旨在解决分布式基础设施、通信、计算和隐私保护等问题，讨论客户端、服务端和基于 FL 的 BFL 方法，并提出了 BFL 研究的未来发展方向。

Apr, 2023

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：应用、挑战和未来方向

本文提供了关于联邦学习的概述，并重点关注医疗保健领域。通过中央协调器服务器共享全局深度学习模型，解决了隐私保护需求并探讨了联邦学习遇到的挑战和未来发展方向，其中使用多方计算、同态加密、差分隐私和随机梯度下降等多种隐私方法。

May, 2022

FLEX：灵活的联邦学习框架

人工智能中的隐私和安全在数据处理中变得至关重要，联邦学习作为一种保护数据隐私的方法在这篇论文中被引入，而 FLEX 则是一个灵活的联邦学习框架，旨在提供最大的灵活性，以进行联邦学习研究实验，并在特定实现领域提供库。

Apr, 2024

透明和隐私：可解释人工智能和联邦学习在金融欺诈检测中的作用

研究介绍了使用联邦学习和可解释的人工智能的新方法来解决金融机构在欺诈检测方面面临的挑战，该方法能够在保护数据隐私的同时提高检测系统的性能，并具备透明性和可解释性。

Dec, 2023

公平差分隐私联邦学习框架

通过应用裁剪技巧与高斯机制来解决不包含验证数据的公平差分私有联邦学习框架的可能出现的偏见更新问题，同时审查了隐私和公平性在联邦学习中的相关工作，并强调了 MITIGATE 偏见和确保隐私的最新进展和方法。

May, 2023

朝着可验证的联邦学习

本文回顾了关于验证型 FL 的研究工作，提出了一个新的分类方法，总结了常用的性能评估方法，并讨论了向多功能可验证 FL 框架的有前途方向。

Feb, 2022

关于分散式联邦学习的调查

去中心化联邦学习解决方案的综述，包括现有的方法和未来的研究方向。

Aug, 2023

联邦学习：最新进展与应用的前沿综述

在机器学习系统中，通过联邦学习作为一个安全的分布式机器学习方法，有效提升隐私安全；它利用区块链技术将机器学习模型转移到边缘服务器，通过这种机制保证了集中式和分散式系统的高效处理和数据存储需求，强调可伸缩性、隐私考虑和成本有效的通信。本文对最近的联邦学习应用进行了分析和比较，以评估其效率、准确性和隐私保护。然而，鉴于联邦学习复杂且不断演化的特点，明确需要进一步研究来解决知识间的差距并有效应对该领域面临的挑战。在本文中，我们将最近的文献分为以下几个类别：隐私保护、资源分配、案例研究分析和应用，此外，在每个章节的末尾，我们还对参考文献中提出的开放领域和未来方向进行了总结，为研究人员提供了领域演进的深入视角。

Oct, 2023