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。
联邦学习中的成员推断攻击与防御：综述
联邦学习中的成员推断攻击与防御：综述
专知会员服务
16+阅读 · 2024年12月15日
边缘人工智能的联邦持续学习：综合综述
边缘人工智能的联邦持续学习：综合综述
专知会员服务
30+阅读 · 2024年12月14日
【CMU博士论文】使用数据不确定解释的可信学习
【CMU博士论文】使用数据不确定解释的可信学习
专知会员服务
25+阅读 · 2024年11月2日
绿色联邦学习：绿色意识AI的新时代
绿色联邦学习：绿色意识AI的新时代
专知会员服务
17+阅读 · 2024年9月20日
【剑桥大学博士论文】联邦自监督学习，141页pdf
【剑桥大学博士论文】联邦自监督学习，141页pdf
专知会员服务
19+阅读 · 2024年6月15日
【ICML2024】PrE-Text：在大规模语言模型（LLM）时代对私人联邦数据进行语言模型训练
【ICML2024】PrE-Text：在大规模语言模型（LLM）时代对私人联邦数据进行语言模型训练
专知会员服务
19+阅读 · 2024年6月6日
【WWW2024】基于提示增强的联邦内容表征学习的跨域推荐
【WWW2024】基于提示增强的联邦内容表征学习的跨域推荐
专知会员服务
18+阅读 · 2024年1月29日
《联邦学习中的对抗性攻击》48页论文
《联邦学习中的对抗性攻击》48页论文
专知会员服务
40+阅读 · 2023年11月1日
【CMU博士论文】异构网络中可扩展且值得信赖的学习方法，147页pdf
【CMU博士论文】异构网络中可扩展且值得信赖的学习方法，147页pdf
专知会员服务
25+阅读 · 2023年8月27日
大模型系统如何设计？CMU最新CVPR2023《大型模型和联邦学习的ML系统》教程，附219页ppt
大模型系统如何设计？CMU最新CVPR2023《大型模型和联邦学习的ML系统》教程，附219页ppt
专知会员服务
45+阅读 · 2023年6月22日
《贝叶斯神经网络的联邦学习》2023最新73页论文
《贝叶斯神经网络的联邦学习》2023最新73页论文
专知会员服务
61+阅读 · 2023年5月7日
《集中预训练的联合微调：实现嵌入式硬件上安全和准确的军事安全应用》127页论文
《集中预训练的联合微调：实现嵌入式硬件上安全和准确的军事安全应用》127页论文
专知会员服务
36+阅读 · 2023年4月24日
博士论文《联邦学习仿真器》221页，米兰理工大学
博士论文《联邦学习仿真器》221页，米兰理工大学
专知会员服务
31+阅读 · 2023年3月14日
什么是普适人工智能？AAAI2023最新《普适人工智能》教程，
什么是普适人工智能？AAAI2023最新《普适人工智能》教程，
专知会员服务
35+阅读 · 2023年3月14日
《基于联邦学习的全球协同威胁检测》
《基于联邦学习的全球协同威胁检测》
专知会员服务
31+阅读 · 2023年3月13日
参考链接
微信扫码咨询专知VIP会员
Top