标签
联邦学习
相关的文章:本列表汇集了关于联邦学习的前沿研究,涵盖隐私保护、异构设备的协作机制及公平性等关键主题,展示了该领域的最新进展与挑战。
FedGraM:通过嵌入格拉姆矩阵抵御联邦学习中的非针对性攻击
原文中文,约200字,阅读约需1分钟。发表于:
。
低资源环境下的联邦学习:非洲胸部影像研究 - 挑战与经验教训
原文中文,约300字,阅读约需1分钟。发表于:
。
跨云数据隐私保护:通过整合联邦学习和大型语言模型优化人工智能系统的协作机制
原文中文,约200字,阅读约需1分钟。发表于:
。
异质性意识客户端采样:一致性联邦学习的统一解决方案
发表于:
。
防御边缘:基于代表性注意力的机制以缓解联邦学习中的后门攻击
原文中文,约300字,阅读约需1分钟。发表于:
。
针对边缘设备领域异质性的稳健联邦学习
原文中文,约200字,阅读约需1分钟。发表于:
。
穿越隐私:一种基于超平面的联邦学习数据重构攻击
原文中文,约200字,阅读约需1分钟。发表于:
。
应对人口差异和数据不平衡的公平联邦学习
本研究解决了在医疗等高风险领域应用人工智能时,由于数据不平衡和人口统计偏倚导致的公平性问题。提出的FedIDA框架结合了公平性感知的正则化与组条件超采样,能够在维护联邦学习算法收敛性的同时,改进多个敏感属性和异质数据分布下的公平性。实证结果表明,FedIDA在保持竞争性预测性能的同时,显著改善了模型的公平性,展示了其在医疗领域公平与隐私保护建模中的有效性。
本研究提出了FedIDA框架,以解决医疗领域人工智能中的公平性问题。该框架结合公平性感知正则化与组条件超采样,提升了多敏感属性下的公平性,同时保持了联邦学习的收敛性。实证结果表明,FedIDA在竞争性预测性能的同时显著提高了模型的公平性。
原文中文,约300字,阅读约需1分钟。发表于:
。
基于聚类方法的能源高效联邦学习在人工智能物联网中的应用
原文中文,约200字,阅读约需1分钟。发表于:
。