Apr, 2024

PAFedFV：个性化和异步的指静脉识别联邦学习

PDF
TL;DR本文提出了一种用于指静脉识别的个性化和异步联邦学习（PAFedFV）框架，通过设计个性化模型聚合方法解决非独立同分布（non-IID）数据的异构性，并采用异步训练模块来利用客户端的等待时间，在六个指静脉数据集上进行了广泛的实验，分析了非独立同分布指静脉数据对联邦学习性能的影响，并展示了 PAFedFV 在准确性和鲁棒性方面的优势。
发现论文，激发创造
  • FedPH: 增强隐私的异构联邦学习

    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

  • 基于特征融合的个性化联邦学习

    本研究讨论了联邦学习中的数据异质性问题，并提出了一种个性化的联邦学习方法，名为 pFedPM，通过特征上传来减少通信成本和允许异构客户端模型，实验证明该方法在 MNIST、FEMNIST 和 CRIFAR10 数据集上的通信效率优于其他联邦学习方法。

    Jun, 2024

  • 个性化解读联邦学习：一种虚拟概念方法

    设计了一种新颖的联邦学习方法，用于解决跨客户的非独立同分布数据解释性问题，同时提高模型性能和训练过程的鲁棒性，并实验证明了该方法的有效性。

    Jun, 2024

  • 非对称垂直联邦学习

    本文提出新的不对称垂直联邦学习架构来保护数据隐私，采用标准的私有集合交集协议和 Pohlig-Hellman 方法来实现不对称 ID 对齐，并提供真实和虚假的方法来实现联邦模型训练。通过实验证明了该方法的可行性。

    Apr, 2020

  • IPFed: 身份保护联邦学习用于用户认证

    该论文提出了使用随机投影进行类别嵌入的保护隐私联邦学习 IPFed 方法，旨在解决现有方法在隐私保护和高准确性方面的困难，并证明其具备与最先进方法相当的学习能力。通过在人脸图像数据集上的实验证明，IPFed 能够在保护个人数据隐私的同时保持最先进方法的准确性。

    May, 2024

  • FedFR: 通用与个性化人脸识别联合优化联邦学习框架

    本论文提出了一种基于联邦学习的面部识别框架，名为 FedFR，它通过提出的解耦特征自定义模块共同优化对应客户的个性化模型，从而在保护隐私的情况下提高了通用面部表征的质量，同时最大限度地满足了本地设备已注册身份的优化面部识别体验的需求，并且在多个联邦学习场景下进行的实验结果表明，该框架优于以往的方法。

    Dec, 2021

  • 联邦人员再识别性能优化通过基准分析

    本文探究了联邦学习在人物再识别（FedReID）中的应用，通过优化算法与架构，使其在真实场景中的异质性数据的表现更佳，并提出两种优化方法以解决模型聚合权重不平衡和收敛困难问题，证明策略的优越性能使其在所有数据集上表现更好。

    Aug, 2020

  • 基于神经网络的新型不平衡和非独立同分布数据的联邦学习系统

    通过提出集中式的、基于神经网络的联邦学习系统，利用边缘计算减少中央服务器的负载，同时在各种数据分布设置中相对于一些现有基准算法取得令人满意的性能。

    Nov, 2023

  • 非独立同分布数据上的联邦学习：调查

    本文讨论了联邦学习的隐私保护机制，分析了非独立同分布数据对水平和垂直联邦学习中参数和非参数机器学习模型的影响，概括了当前解决非独立同分布数据挑战的方法，并讨论了这些方法的优缺点。最后，提出了研究方向。

    Jun, 2021

  • AdaFedFR: 自适应跨类别表征学习的联邦人脸识别

    提出了一种简单但有效的联邦人脸识别框架 AdaFedFR，通过设计一种自适应的类间表示学习算法，在严格保护隐私的情况下提高泛化性能和联邦训练的效率。实验结果表明，该方法在几个常见的人脸识别基准上优于以前的方法，仅用不到 3 次通信轮次，展现出友好的通信性能和高效性。

    May, 2024