- FCOM:基于表示学习的联合协作在线监控框架
在线学习通过表示学习和联合协作 UCB 算法、理论分析、仿真研究以及去中心化认知退化监测在阿尔茨海默病中展示了显著的潜力,以动态分配有限资源以监测大量的进程,有效平衡产生高奖励的进程的利用和不确定进程的探索。
- 关于在线模型选择与分散数据的合作必要性
我们研究了在线模型选择与分散数据的问题,从最小化遗憾与计算成本的折衷角度提出了一种联邦算法,并证明了合作的必要性和限制计算成本的条件。我们的算法在分布式在线多核学习中提高了遗憾界限,并依赖于三种新技术:改进的马丁格尔的 Bernstein - 行星探测的联邦多智能体映射
多智能体机器人探索中,联邦学习是处理分布式数据、地图表示和元初始化的有效方法。方法通过利用隐式神经映射和地球数据预训练,实现紧凑且适应性高的地图表示,在多智能体探索场景中展现强大的泛化能力。
- ICLR异构数据的联邦因果推断
提出了一种新的面向任意因果模型和异构数据的联邦因果探索方法,通过使用代理变量来解决不同客户端之间的数据异构性,并利用联邦条件独立性检验和联邦独立性改变原则来确定因果方向,无需对特定函数形式进行任何假设,以以保护数据隐私的方式构建摘要统计量, - MM联合局部关系增强和全局纳什均衡的非独立同分布数据联邦学习
在非独立同分布(non-IID)数据设置中,通过局部关系增强和全局纳什均衡两个主要模块,本论文提出了 FedRANE 模型,以同时解决客户端内和客户端间的不一致性问题,进而提升非独立同分布数据下联邦学习性能。
- 一种自适应核方法用于异构因果效应联邦学习
提出了一个新的因果推断框架,用于在联邦设置中从多个分散的数据源中学习因果效应。通过使用随机傅里叶特征将损失函数分解为多个组件,介绍了一种自适应传输算法,学习数据源之间的相似性,并且估计源之间的相似度通过传输系数,因此无需先前的相似性量度信息 - 跨设备联邦学习的多任务智能调度
本研究提出了一个新颖的多工作联邦学习框架,通过智能调度方法实现了分散数据的并行训练过程,实验证明相比基线方法,其训练时间更快(最高可达 12.73 倍)且准确率更高(最高 46.4%)。
- ICLR小型非独立同分布客户端数据上的双编码模型联邦训练
本文提出了用于分布式数据的二元编码模型的联邦训练方法 DCCO(Distributed Cross Correlation Optimization),并将其与现有联邦方法进行了比较,实验结果显示 DCCO 的性能优于现有联邦方法。
- 知识注入联邦学习
本研究提出了一种联邦学习框架,允许参与者注入其领域知识,通过在本地对知识进行全局模型的完善,有效地应用于行业级应用。
- AAAI具有梯度修正的面部识别联邦学习
本研究提出 FedGC 框架,通过梯度修正和基于 softmax 的正则化器,实现人脸识别的联邦学习并提高隐私保护,实验证明 FedGC 在常用基准数据集上的性能达到了传统集中式方法的水平。
- ProxyFL:通过代理模型共享的去中心化联邦学习
本文提出了 ProxyFL,即基于代理的联邦学习,作为一种通信高效、隐私性强,并且能够支持模型异构的去中心化联邦学习方案。基于代理的模型交换运用 PushSum 方法,能消除传统联邦学习的模型同构限制,并使用差分隐私分析得到更强的隐私保护。 - 面向稀疏联合分析:使用分布式差分隐私和安全聚合的位置热图
本文介绍了一种基于分布式差分隐私的、具有规模和自适应性的方法,用于生成来自数百万用户设备的位置热图,以保护隐私并在用户设备上最小化资源消耗。在公共位置数据集上进行的评估表明,此方法成功地生成了大城市规模的热图,与现有的类似精度的私有协议相比 - 通过联邦学习改善公平性
本文提出了一个新的理论框架,证明联邦学习可以比本地分类器严格提高模型的公平性,但目前的基于 FedAvg 的公平学习算法在性能上与中心化数据上训练的公平分类器相比牺牲了很多,为此我们提出了一种名为 FedFB 的基于隐私保护的公平学习算法, - ICCV去中心化数据协作无监督视觉表征学习
该研究提出了一种名为 FedU 的联邦无监督学习框架,可以在保护数据隐私的同时利用去中心化的未标记图像数据学习视觉表示,并针对数据的非独立同分布问题提出了有效方法,实验证明其优于其他方法。
- FedJAX: 使用 JAX 进行联邦学习模拟
FedJAX 是一个基于 JAX 的开放源代码库,用于联邦学习模拟,旨在使开发和评估联邦算法更快、更容易,并强调隐私和安全。FedJAX 可以在几分钟内使用 TPU 训练 EMNIST 数据集上的模型,使用标准超参数在约一小时内训练 Sta - 联邦优化指南
本论文旨在提供针对联邦优化算法的具体指导和实用实现,重点关注进行有效模拟以推断实际效果,并鼓励研究人员设计适用于各种实际应用的联邦学习算法。
- KDD跨节点联邦图神经网络用于时空数据建模
提出了一种基于 Cross-Node Federated Graph Neural Network(CNFGNN)的联邦时空模型,旨在利用分布式数据的时空结构,对交通流量进行准确预测,并在交通流量预测任务中展示了其卓越的表现。
- 联邦图学习 -- 一个立场论文
在分布式数据隐私敏感的场景下,集中式训练图神经网络模型面临一些挑战,因此我们提出了一种名为联邦图学习(FGL)的方法,借助于联邦学习技术在保持数据去中心化的同时共同训练模型,并对 FGL 进行了分类、讨论、挑战和应用倡议。
- 联邦非凸稀疏学习
本文提出了两种在联邦学习背景下的非凸稀疏学习迭代算法:Fed-HT 和 FedIter-HT,证明了它们都具有线性收敛速度和类似于传统 IHT 方法的优秀稀疏估计保证,同时具有分散的非 IID 数据。实验结果表明,Fed-HT 和 FedI - 联邦神经结构搜索
通过局限的客户端计算和通信资源,实现有效的分布式神经网络训练与搜索,从而降低客户端成本。