稀疏主成分分析的联邦学习
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
合作感知和联邦学习在未来交通系统中具有很大潜力,但数据异质性是一个重要挑战。本研究介绍了一种专门用于合作感知的联邦学习框架,名为 FedDWA 算法,并结合动态调节损失函数。实验证明该框架能够显著改善环境感知模型的准确性,提高交通部门的协同学习解决方案。
Apr, 2024
本文提出了一种结合差分隐私和安全多方计算的联邦学习方法,在保证训练和最终模型的隐私性的同时,也能够保持较高的预测准确率,这个系统不仅能应用于多种机器学习模型的训练,而且在实验上验证了它的优越性。
Dec, 2018
提出一种新的联邦学习方法,利用预训练模型作为本地模型的骨架,使用完全连接的层组成头部来解决客户端数据分布和计算资源不同的问题,在客户端之间共享类别的嵌入向量,采用加噪声的隐私保护混合方法来保护隐私,最后在自建车辆数据集上进行全面评估。
Jan, 2023
这篇论文提出了一种新的联邦学习框架,采用随机稀疏化和梯度扰动来增强差分隐私保证,结合加速技术减少隐私代价,并利用 Renyi DP 紧密评估端到端 DP 保证。实验结果验证了该方法在隐私保证和通信效率方面的优于之前的方法。
Aug, 2020
本论文提出一种名为 FedSpa 的新型 PFL 方案,它采用个性化稀疏掩码来在边缘上自定义稀疏的本地模型,理论和实验表明,FedSpa 不仅节省了通信和计算成本,而且在模型准确性和收敛速度方面表现优异。
Jan, 2022
Federated learning aims to protect data privacy, and this paper proposes FedSplit, a personalized federated learning framework addressing the challenge of data heterogeneity by splitting hidden elements into shared and personalized groups, optimizing with a novel objective function. Additionally, factor analysis is introduced to decouple hidden elements, resulting in a practically implemented model referred to as FedFac, which demonstrates superior prediction performance compared to other state-of-the-art federated learning methods on real datasets.
Dec, 2023
图形联邦学习在多种场景中都有广泛的应用,需要更多的数据隐私保护。这篇研究论文提出了一种基于去中心化框架以及节点间数据相似性的图形联邦学习方法,通过线性加权聚合节点的梯度信息,实验证明该方法的有效性优于其他方法。
Jul, 2023
使用球面限制措施的超球面联邦学习 (SphereFed) 框架,通过在联邦学习之前将数据点的表示限制到由客户端共享的单位超球面上,解决了非独立分布数据的处理问题,通过构建固定分类器来处理不类别分布的数据在不同客户端间的差异性并在最小化损失函数的过程中进行联邦学习,最终实现进一步的分类器校准。我们的实验证明 SphereFed 方法能够有效提高现有算法的准确性(在具有挑战性的数据集上达到 6% 以上),并增强计算和通信效率。
Jul, 2022