关键词collaborative machine learning
搜索结果 - 10
- 私有协同机器学习中的激励机制
通过差分隐私作为奖励,我们通过引入协作机器学习训练模型,对多个参与方的数据进行价值评估和奖励,并保护隐私风险。实证结果表明,我们的方法在合成和真实数据集上具有有效性和实用性。
- 协作机器学习中的稳健性与学习之间的冲突
合作机器学习允许参与者在保护私人训练数据的同时,共同训练一个机器学习模型。研究人员提出使用强大的聚合器来过滤可能危及训练过程的恶意贡献,但我们的研究表明现有的强大的聚合器无法实现其目标,因为它们要么使用无法准确识别恶意更新的基于距离的指标, - 物联网分散协作式机器学习框架
提出了一种面向资源受限设备的分散协作机器学习框架,使用了基于原型的增量学习算法、基于随机的模型交换协议以及用于预测和原型创建的两种算法。与典型的集中式增量学习方法相比,在准确性、训练时间和鲁棒性方面取得了非常有前景的结果。
- 鲁棒性和实时安全的无服务器协作学习
通过这项工作,我们提出了一种对抗恶意服务器、抵御恶意客户端的点对点学习方案,核心贡献是一个通用框架,使得兼容的模型更新聚合算法能够在服务器和客户端恶意行为的环境下运行。此外,我们展示了我们的方法在由数百个节点对标准数据集训练的百万参数模型上 - IJCAIWrapperFL: 一种工业联邦学习的通用插件
本文介绍了一种名为 WrapperFL 的简单且实用的联邦学习插件,通过集成已有模型和集成学习的灵感,WrapperFL 以一种即插即用的方式工作,无需重新开发,降低了人力和资源开销,并在异构数据分布和模型的不同任务中取得了成功应用和改善。
- ICML协作机器学习中考虑奖励机制的模型奖励
本文提出了一种基于 Shapley 价值和信息增益的奖励方案,在注入高斯噪声时通过一个可调参数权衡公平和稳定性,以满足合作机器学习中的一些可取属性,并根据合成和真实数据集来评估其性能。
- 数据复制鲁棒支付的协作机器学习市场
本研究探讨合作机器学习市场的问题,讨论机器学习市场的公平收入分配和潜在威胁,包括数据复制。我们引入了一个新的付款分割功能和定制输出模型,以在具有不同学习任务的方的情况下刺激方提交高质量的训练和验证数据,并在实验中验证了我们理论分析的假设和这 - 跨異質蜂巢網絡的階層式聯邦學習
研究使用梯度稀疏化和周期性平均的分层联邦学习框架,来在异构蜂窝网络中实现协作机器学习任务。结果表明,该方案可以显着降低通信延迟且不会减少模型精度。
- 联合定价与合作中继通信用于联邦学习
采用中继网络构建合作通信平台支持模型更新传输和交易的博弈模型研究。
- 协作学习中的意外特征泄漏利用
合作式机器学习及联邦学习等技术让多个参与者通过本地训练和定期更新模型来建立一个联合模型,但我们展示了这些更新泄露了关于参与者训练数据的信息并开发了被动和主动攻击来利用泄露,我们在各种任务,数据集和学习配置中评估我们的攻击,并分析其局限性和可