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。
FedQS: Optimizing Gradient and Model Aggregation for Semi-Asynchronous Federated Learning
Arxiv
0+阅读 · 10月9日
Mitigating Noise Detriment in Differentially Private Federated Learning with Model Pre-training
Arxiv
0+阅读 · 10月9日
Multi-Continental Healthcare Modelling Using Blockchain-Enabled Federated Learning
Arxiv
0+阅读 · 10月9日
Validation of Various Normalization Methods for Brain Tumor Segmentation: Can Federated Learning Overcome This Heterogeneity?
Arxiv
0+阅读 · 10月8日
DPMM-CFL: Clustered Federated Learning via Dirichlet Process Mixture Model Nonparametric Clustering
DPMM-CFL: Clustered Federated Learning via Dirichlet Process Mixture Model Nonparametric Clustering
Arxiv
0+阅读 · 10月8日
Beyond Static Knowledge Messengers: Towards Adaptive, Fair, and Scalable Federated Learning for Medical AI
Arxiv
0+阅读 · 10月5日
FinP: Fairness-in-Privacy in Federated Learning by Addressing Disparities in Privacy Risk
Arxiv
0+阅读 · 10月6日
OptiFLIDS: Optimized Federated Learning for Energy-Efficient Intrusion Detection in IoT
Arxiv
0+阅读 · 10月5日
Exact and Linear Convergence for Federated Learning under Arbitrary Client Participation is Attainable
Arxiv
0+阅读 · 10月5日
Towards Carbon-Aware Container Orchestration: Predicting Workload Energy Consumption with Federated Learning
Arxiv
0+阅读 · 10月4日
Cooperative Decentralized Backdoor Attacks on Vertical Federated Learning
Arxiv
0+阅读 · 10月6日
Position Paper: Assessing Robustness, Privacy, and Fairness in Federated Learning Integrated with Foundation Models
Arxiv
0+阅读 · 10月5日
Dynamic Adaptive Federated Learning for mmWave Sector Selection
Arxiv
0+阅读 · 10月5日
Proof-of-Data: A Consensus Protocol for Collaborative Intelligence
Arxiv
0+阅读 · 10月6日
A Lightweight Federated Learning Approach for Privacy-Preserving Botnet Detection in IoT
Arxiv
0+阅读 · 10月3日
参考链接
微信扫码咨询专知VIP会员
Top