May, 2024

事实还是虚构：诚实机制能否消除联合式自由骑车现象？

PDF
TL;DR以解决标准联邦学习中的共享问题为目标，提出了 FACT 机制，该机制通过使用惩罚系统来消除联邦问题，并通过创建竞争环境确保代理提供真实信息，同时通过提供比单独训练更好的性能来鼓励代理参与，实证结果显示 FACT 在代理不真实情景下避免了共享问题，并将代理损失减少了 4 倍以上。
发现论文，激发创造
  • 声誉机制即所需：联邦学习中的协作公平和对抗鲁棒性

    本文提出了一种新的稳健公平联邦学习（Robust and Fair Federated Learning，RFFL）框架，通过声誉机制实现协作公平和对抗鲁棒性，可在基准数据集上实现高公正性并对不同类型的对手非常鲁棒。

    Nov, 2020

  • 面向众包数据标注的联邦学习诚实激励机制

    本文研究了在联邦学习中使用众包数据标注的问题，考虑了客户端的策略性行为，设计了能够激励客户端诚实行为的机制，并在实验中评估了该机制的性能。

    Jan, 2023

  • 联邦对抗交叉训练（FACT）

    本文提出了 Federated Adversarial Cross Training （FACT）方法来解决非 i.i.d. 数据的情况下，联邦模型适应目标客户端的挑战。通过使用不同领域的源客户端之间的差异来识别目标域中的域漂移，该方法在多源单目标基准测试中优于现有的联邦模型、非联邦模型和单源单目标实验中的最新无监督域自适应模型。

    Jun, 2023

  • 激励诚实通信对于联邦赌博机的应用

    通过提出名为 Truth-FedBan 的激励兼容（即真实性）通信协议，本文首次展示了在联邦赌博学习中同时实现激励兼容性和近乎最优的遗憾的可能性。大量的数值研究进一步验证了我们提出的解决方案的有效性。

    Feb, 2024

  • 联邦学习中的搭便车现象：攻击与防御

    本篇论文探讨了联邦学习的自由骑手攻击问题，并提出了一种新的高维异常检测方法 STD-DAGMM 用于检测这种攻击。

    Nov, 2019

  • 联邦学习中的协作公平性

    研究分布式和联邦学习的合作公平性问题，提出了一种新的协作公平联邦学习框架，利用声誉来强制不同参与者收敛于不同模型，从而在不损害预测性能的情况下实现公平。

    Aug, 2020

  • 面向可追溯和可复现的联邦学习：一种事实表方法

    AF^2 Framework introduces accountability to Federated Learning by fusing verifiable claims with tamper-evident facts, into reproducible arguments, enabling validation, reproduction, and certification of Federated Learning processes to address AI engineering and ethics challenges.

    Feb, 2022

  • 面向参与者的联邦学习中的协作：博弈论视角

    本论文提出了一个新的分析框架来激励参与者中心的联邦学习，分别提出了两种贡献无关的 FL（COFL）和贡献感知 FL（CAFL）游戏模型，讨论了 Nash 平衡的独特性和存在性并设计了有效的算法来达到平衡解决方案。 大量的性能评估表明，COFL 中存在着 free-riding 现象，而采用具有优化的最小阈值的 CAFL 模型可以大大缓解此现象。

    Jul, 2022

  • 联邦学习中模型聚合的免费骑车者攻击

    本文旨在介绍基于 FedAvg 或 FedProx 等迭代参数聚合的联邦学习方案中存在的免费骑客攻击，并提供了针对这些攻击的正式保证。研究表明，这种攻击可通过不更新本地参数实现，同时还介绍了更复杂的伪造方案。最后，提供了避免此类攻击的建议。

    Jun, 2020

  • 朝着可验证的联邦学习

    本文回顾了关于验证型 FL 的研究工作，提出了一个新的分类方法，总结了常用的性能评估方法，并讨论了向多功能可验证 FL 框架的有前途方向。

    Feb, 2022