水平联邦计算机视觉
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
本文介绍了 “FedVision” 平台,它是一种用于支持基于联邦学习的计算机视觉应用程序开发的机器学习工程平台,该平台已经在智能城市应用程序的计算机视觉安全监控解决方案中得到了应用,并在四个月的使用中实现了较高的效率和成本降低。此外,该平台是第一个在计算机视觉任务中实现了 FL 的实际应用。
Jan, 2020
该论文综述了联邦学习在计算机视觉应用中的最新进展,比较了联邦学习和传统集中式训练方法,提出了一个联邦学习在计算机视觉中的技术分类和应用安全威胁的分类,讨论了实施区块链在计算机视觉中的隐私关注,并总结了现有的隐私保护方法,同时指出了未来的研究方向。
Aug, 2023
通过使用联邦学习(包括有和无安全聚合器)在受监督和无监督的人脸识别系统中进行训练,我们的实验结果表明联邦学习既保护了隐私又实现了与单独模型几乎相同的性能。我们的研究工作揭示了隐私保护的人脸图像训练中的实际挑战,尤其注重隐私和准确性的平衡问题。
Mar, 2024
本文提出 FedVGCN 算法,是一个隐私保护的节点分类任务的联邦学习范式,能够推广到现有的 GCN 模型,将计算图数据分成两部分,在同态加密下,双方交换中间结果进行训练,实验结果表明 FedVGCN 在 GraphSage 的情况下是有效的。
Jun, 2021
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
本文综述了联邦学习在医学图像分析中的最新发展,介绍了联邦学习在处理隐私保护和协作学习问题方面的背景和动机,分类总结了现有的联邦学习方法,并提供了目前联邦学习研究的基准医学图像数据集和软件平台的回顾,同时进行了实验以评估联邦学习方法在医学图像分析中的应用。
Jun, 2023
本研究探讨如何在真实世界的场景下训练视觉模型。我们使用了两个新的大规模数据集,测试了 Federated Learning 算法的表现,并提出了两种新的算法以优化模型的表现。
Mar, 2020