May, 2024

IPFed: 身份保护联邦学习用于用户认证

PDF
TL;DR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。
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

  • 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

  • 联邦机器学习中的隐私和信任重新定义

    本文介绍了一种基于分布式身份技术的隐私保护的分散工作流，用于促进参与者之间可信的联邦学习，限制只有获得适当机构发放的可验证凭证的实体才能建立安全、经过认证的通信渠道，参与与心理健康有关的联邦学习流程。

    Mar, 2021

  • DBFed: 基于领域独立的去偏差联邦学习框架

    为了保护数据隐私并解决联邦学习中的不公平问题，本文提出了一种基于无领域特定语言的去偏差联邦学习框架（DBFed），并通过实验验证其在准确性和公平性等方面的优越性。

    Jul, 2023

  • 面部识别系统中保护隐私的联邦学习方法

    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

  • 联邦学习：在数据智能和隐私之间取得平衡

    本文提供了一种系统的概述和分类，涵盖了联邦学习的现有安全挑战以及针对数据污染，推断攻击和模型毒化攻击的防御技术。此外，还探讨了处理非独立同分布数据、高维度问题和异构架构的联邦学习的当前训练挑战，并提出了解决相关挑战的几种解决方案。最后，我们讨论了联邦学习训练中剩余的挑战，并提出了针对开放问题的研究方向建议。

    Apr, 2022

  • 安全联合矩阵分解

    本研究提出一种基于矩阵分解的安全联邦学习框架，称为 FedMF，利用同态加密技术实现了对上传信息的加密保护，从而解决联邦学习中梯度泄露的问题，并证明了其可行性。

    Jun, 2019

  • 在个性化层上进行联合学习

    本文介绍了 FedPer，一种基本 + 个性化层式的联邦深度前馈神经网络训练方法，旨在对抗数据异质性的负面影响，提升联邦学习的训练效果。FedPer 的有效性在 CIFAR 数据集和 Flickr 个性化图像美学数据集上得到了证明。

    Dec, 2019

  • 联邦学习的个性化技术综述

    本文调查了针对非独立同分布数据的个性化联邦学习的研究，此技术可让多方参与联合学习，从而达到隐私保护的目的。

    Mar, 2020

  • 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