Sep, 2023

基于自适应共振理论的隐私保护连续联合聚类

PDF
TL;DR在数据隐私保护日益重要的背景下，提出了一种隐私保护的连续联邦聚类算法，该算法在保持数据隐私的同时实现了较高的聚类性能和连续学习能力。
data privacy protectionprivacy-preserving machine learningfederated clusteringcontinual learningclustering performance
发现论文，激发创造
  • 知识融合的联邦持续学习：综述

    Federated Continual Learning (FCL) integrates federated learning and continual learning to address the challenge of data privacy and silos, by fusing heterogeneous knowledge from different clients and retaining knowledge of previous tasks while learning on new ones, through methods such as synchronous FCL and asynchronous FCL.

    Dec, 2023

  • 自适应优化解决联邦渐进学习中的客户漂移问题

    本文提出了一种 Federated Continual Learning（FCL）系统，用于解决连续学习中的客户端漂移问题，并使用自适应联邦优化来减少其不良影响。作者进一步评估了该框架的可扩展性、对客户端数据分布失衡的鲁棒性以及对固定时间的影响。

    Mar, 2022

  • 基于自适应 OPTICS 聚类的强化联邦学习方法

    本文提出一种基于自适应 OPTICS 聚类的增强型联邦聚合方法，将聚类环境视为马尔可夫决策过程，并模拟参数搜索方向的调整过程，以找到最佳的聚类参数，从而实现更好的联邦聚合效果。

    Jun, 2023

  • 隐私不可知聚类提升联邦学习人脸识别

    通过使用隐私敏感的 DPLC 机制和全局一致性感知损失函数，本文提出了 PrivacyFace 框架来改善联邦学习人脸识别，该框架在 IJB-B 和 IJB-C 上分别提高了 9.63% 和 10.26% 的精确率，并在大规模数据集上的大量实验中证明了其有效性和实用性。

    Jan, 2022

  • 联邦学习的聚合服务：高效、安全、更具韧性的实现

    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

  • CCFC：连接联邦聚类和对比学习

    通过使用集群对比模型来学习友好的聚类表示，并以此为基础，提出了一种新的联邦聚类方法，称为集群对比联邦聚类（CCFC），其聚类性能甚至在某些情况下是最佳基准方法的两倍，并且在处理设备故障方面也显示出卓越的性能。

    Jan, 2024

  • 用于普适计算的联邦学习聚合算法：评估和比较

    本文探讨了如何应对异构设备和用户的挑战，提出了一种新型的聚合算法 FedDist，该算法能够考虑到客户端的差异性而不影响泛化能力，并在人类活动识别普适领域上通过对比测试发现其表现更好。

    Oct, 2021

  • 基于一致性优化的集群联邦学习中的群体共识达成机制

    本论文介绍了一个解决群集联合学习问题的新方法，该方法基于共识优化 (CBO) 中的思想，使用相互作用的粒子系统进行全局优化，经过数学推导得到了该模型的收敛性证明，并通过实验结果证实了 FedCBO 算法的有效性。

    May, 2023

  • 无线联邦学习中异构集群的隐私聚合

    本文介绍了一种私有集成学习方案，以处理联合学习中的隐私问题，并推导出信息论隐私所需的通信成本的基本限制。

    Jun, 2023

  • 一个带隐私保护学习的图联邦架构

    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