无初始模型的盲联邦学习
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
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
IBM Federated Learning 提供了联邦学习的基础设施和协调,可以设计和运行联邦学习作业,从而将范围从集中式扩展到联邦机器学习,从而在最初阶段将学习曲线降至最低,同时也提供了在不同计算环境下部署和设计自定义融合算法的灵活性。
Jul, 2020
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
本文介绍了一个基于随机梯度方法的联邦协作过滤模型,并将其应用于用户推荐系统,旨在提高用户隐私保护,且实验表明,在联邦实现中,相较于标准实现而言,推荐系统的性能并未降低。
Jan, 2019
提出了一种新的联邦学习方案,其中服务器与本地模型合作,通过交换类别的中心来保持一致的决策边界,实现了在网络中使用带有给定噪声的标签的一致决策边界。同时,还提出了选择有自信的样本来更新模型以及全局引导的伪标签方法来更新不自信的样本标签。在嘈杂的 CIFAR-10 数据集和 Clothing1M 数据集上的实验证明,该方法在使用有噪声的标签的联邦学习中非常有效。
Dec, 2020
分散数据集的联邦学习技术可以进行机器学习,而无需数据集合,因此更好地保护数据的隐私和所有权。本研究介绍了一种以联邦方式实现 K-means 聚类的算法,旨在解决中心之间聚类数量变化和在不易分离的数据集上的收敛问题。
Oct, 2023