关键词privacy-preserving paradigm
搜索结果 - 2
- 基于模型解释的联邦机器遗忘的选择性参数更新
提出了一种基于模型解释的更有效和高效的联邦遗忘方案,通过理解深层网络和个别通道重要性,选择已训练模型中对需要遗忘的数据至关重要的通道,并对这些通道进行微调,以消除这些数据的贡献。实验结果表明该方法的有效性。
- FedHPL:高效异构联邦学习中的提示调整和逻辑蒸馏
基于 Prompt 调优和 Logit 蒸馏的参数高效统一的异构联邦学习框架 FedHPL 能够有效应对异构挑战,改善模型性能和加速训练,在多种数据集和模型设置下,性能优于当前最先进的联邦学习方法。