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。
TAPFed: Threshold Secure Aggregation for Privacy-Preserving Federated Learning
Arxiv
0+阅读 · 1月9日
Game-Theoretic Joint Incentive and Cut Layer Selection Mechanism in Split Federated Learning
Arxiv
0+阅读 · 2024年12月29日
Locally Differentially Private Online Federated Learning With Correlated Noise
Arxiv
0+阅读 · 1月8日
Caesar: A Low-deviation Compression Approach for Efficient Federated Learning
Arxiv
0+阅读 · 2024年12月28日
Convergence Analysis of Split Federated Learning on Heterogeneous Data
Arxiv
0+阅读 · 1月9日
FedGIG: Graph Inversion from Gradient in Federated Learning
Arxiv
0+阅读 · 2024年12月24日
Gradient Purification: Defense Against Poisoning Attack in Decentralized Federated Learning
Arxiv
0+阅读 · 1月8日
On the Convergence of Continual Federated Learning Using Incrementally Aggregated Gradients
Arxiv
0+阅读 · 1月13日
Task-Agnostic Federated Learning
Arxiv
0+阅读 · 1月6日
Disentangling data distribution for Federated Learning
Arxiv
0+阅读 · 2024年12月30日
Accelerating Energy-Efficient Federated Learning in Cell-Free Networks with Adaptive Quantization
Arxiv
0+阅读 · 2024年12月30日
Cooperative Decentralized Backdoor Attacks on Vertical Federated Learning
Arxiv
0+阅读 · 1月16日
Delayed Random Partial Gradient Averaging for Federated Learning
Arxiv
0+阅读 · 2024年12月28日
Maximizing Uncertainty for Federated learning via Bayesian Optimisation-based Model Poisoning
Arxiv
0+阅读 · 1月15日
Maximizing Uncertainty for Federated learning via Bayesian Optimisation-based Model Poisoning
Arxiv
0+阅读 · 1月14日
参考链接
微信扫码咨询专知VIP会员
Top