会员服务
联邦学习（Federated Learning）是一种新兴的人工智能基础技术，在 2016 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。其中，联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。
DP-FedPGN: Finding Global Flat Minima for Differentially Private Federated Learning via Penalizing Gradient Norm
DP-FedPGN: Finding Global Flat Minima for Differentially Private Federated Learning via Penalizing Gradient Norm
Arxiv
0+阅读 · 10月31日
Distributed optimization: designed for federated learning
Arxiv
0+阅读 · 10月30日
Subgraph Federated Learning via Spectral Methods
Arxiv
0+阅读 · 10月29日
CFL-SparseMed: Communication-Efficient Federated Learning for Medical Imaging with Top-k Sparse Updates
Arxiv
0+阅读 · 10月25日
SGFusion: Stochastic Geographic Gradient Fusion in Federated Learning
SGFusion: Stochastic Geographic Gradient Fusion in Federated Learning
Arxiv
0+阅读 · 10月29日
FedMAP: Personalised Federated Learning for Real Large-Scale Healthcare Systems
Arxiv
0+阅读 · 10月28日
Differential Privacy: Gradient Leakage Attacks in Federated Learning Environments
Arxiv
0+阅读 · 10月27日
Local Performance vs. Out-of-Distribution Generalization: An Empirical Analysis of Personalized Federated Learning in Heterogeneous Data Environments
Arxiv
0+阅读 · 10月28日
Federated Learning with Partially Labeled Data: A Conditional Distillation Approach
Arxiv
0+阅读 · 10月28日
SGFusion: Stochastic Geographic Gradient Fusion in Federated Learning
SGFusion: Stochastic Geographic Gradient Fusion in Federated Learning
Arxiv
0+阅读 · 10月28日
Power to the Clients: Federated Learning in a Dictatorship Setting
Arxiv
0+阅读 · 10月25日
Efficient Federated Learning against Byzantine Attacks and Data Heterogeneity via Aggregating Normalized Gradients
Arxiv
0+阅读 · 10月25日
SGFusion: Stochastic Geographic Gradient Fusion in Federated Learning
Arxiv
0+阅读 · 10月27日
On the Fragility of Contribution Score Computation in Federated Learning
Arxiv
0+阅读 · 10月27日
QuantumShield: Multilayer Fortification for Quantum Federated Learning
Arxiv
0+阅读 · 10月27日
参考链接
微信扫码咨询专知VIP会员
Top