标签

 联邦学习 

相关的文章:

探索联邦学习的原则性本地优化方法及其应用领域,包括弱领域泛化性能和协作方法,同时解决资源受限异步联邦学习系统中的系统偏差问题。

BriefGPT - AI 论文速递 -

解决联邦学习中的拜占庭客户端

对拜占庭式客户机进行鲁棒性扩展的联邦学习算法,通过分析客户机抽样和本地步骤等特征对算法性能的影响进行验证。

本文研究了非结构化和基于强凸全局目标的联邦学习中,面向恶意客户端不可用性问题的简单算法。通过实验证明了简单的FedAvg或FedProx算法在不考虑该问题的情况下,能够达到最小化的估计误差并具有收敛速度。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

基于蒸馏的联邦学习的拜占庭容错性

研究在拜占庭设置中,使用知识蒸馏的联邦学习算法的性能以及如何提高其对拜占庭攻击的鲁棒性。

本研究提出了一种新的联邦学习框架,使用去中心化知识蒸馏来训练全球模型,以更好地适应神经网络映射平均值。实验证明,该框架在异构数据集上表现出更高的效率和更好的训练结果。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

异构云和高性能计算资源上的安全联邦学习 -- 以 LLaMA 2 联邦微调为案例研究

通过仅共享本地训练模型的参数,联邦学习可以使多个数据所有者合作训练强大的机器学习模型,而无需传输大量或敏感的本地数据。本文详细介绍了我们的高级隐私保护联邦学习(APPFL)框架的设计,通过利用 Globus Compute,一个分布式函数即服务平台和亚马逊云服务,在云计算设施和高性能计算资源之间实现端到端的安全可靠的联邦学习实验流程。我们进一步演示了在几个云资源和超级计算机上使用 APPFL 对 LLaMA 2 7B 模型进行微调的用例。

本文评估了最近的联邦学习应用的效率、准确性和隐私保护,并指出需要进一步研究来解决知识间的差距和应对挑战。对隐私保护、资源分配、案例研究和应用进行了分类,并总结了开放领域和未来方向。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

一种利用同态加密和联邦学习的先进数据布局体系结构

本文介绍了一种使用联邦学习和部分同态加密在分布式数据结构架构中进行安全医学图像分析的方法,此方法允许多方合作训练机器学习模型而无须交换原始数据,以符合 HIPAA 和 GDPR 等法律法规,确保数据的隐私和安全。研究通过垂体肿瘤分类的案例研究验证了该方法的有效性,并强调了联邦学习和部分同态加密在安全医学图像分析中的潜力,为安全和隐私保护机器学习领域的不断发展提供了贡献。

本文介绍了一种使用联邦学习和部分同态加密的方法,实现安全医学图像分析。该方法保护数据隐私和安全,允许多方合作训练机器学习模型,无需交换原始数据。通过垂体肿瘤分类的案例研究验证了该方法的有效性,强调了联邦学习和部分同态加密在安全医学图像分析中的潜力。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

基于提示的个性化联邦学习用于医学视觉问答

我们提出了一种新颖的基于提示的个性化联邦学习(pFL)方法,以解决传统医学视觉问答(VQA)方法中的数据异质性和隐私问题。具体而言,我们将来自不同器官的医学数据集视为客户,并使用 pFL 为每个客户训练个性化的基于 Transformer 的 VQA 模型。为了解决以前的 pFL 方法中客户间通信的高计算复杂性,我们提出了一个简洁的信息共享系统,通过引入小的可学习参数提示。此外,所提出的方法引入了一个可靠性参数,以防止低性能和不相关客户的负面影响。最后,对各种异构医学数据集进行了广泛评估,证明了我们提出的方法的有效性。

本文提出了一种基于提示的个性化联邦学习(pFL)方法,用于解决医学视觉问答中的数据异质性和隐私问题。通过将不同器官的医学数据集视为客户,并使用pFL为每个客户训练个性化的基于Transformer的VQA模型。此方法通过引入小的可学习参数提示,解决了以前pFL方法中客户间通信的高计算复杂性。同时,还引入了一个可靠性参数,以防止低性能和不相关客户的负面影响。对各种异构医学数据集进行了广泛评估,证明了该方法的有效性。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

研究统计异质性下视网膜光相干断层扫描图像分类的联邦学习算法

我们应用联邦学习方法对一个 OCT 图像分类器进行训练,模拟具有多个客户和统计异构数据分布的实际情景,其中客户的数据中完全缺少某些类别的样本。

该研究比较了联邦学习中的两种策略,联邦平均和个性化联邦平均,在非独立同分布数据条件下的性能。结果显示,Per-FedAvg在高异质性条件下表现更好。这为在分散环境下开发更有效和高效的机器学习策略提供了见解。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

卫星群集下的机载联邦学习调度

小型卫星的超级星座已经演变成大量珍贵数据的来源。为了高效管理这些数据,本文介绍了一种适用于通过星间链路连接的卫星星座的机载联邦学习调度方案。该方案利用卫星与地面站之间的可预测可见性模式,既在个体卫星级别上,也在整个轨道上累积地,以减轻间歇性连通性问题,并充分利用可用时间。为此,使用了两个不同的调度器:一个用于协调轨道之间的联邦学习过程,另一个用于控制各个轨道内部的过程。这两个调度器合作确定在地面站进行全局更新的适当时机,然后根据直到下次全局更新的可用时间,为每个轨道内的卫星分配适当的时间段进行本地训练。这个方案可以在更短的时间内提高测试准确性。

本文介绍了一种适用于卫星星座的机载联邦学习调度方案,通过可预测可见性模式解决间歇性连通性问题,提高测试准确性。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

异步隐私联邦学习中的动量逼近

本论文研究异步协议和动量法在联邦学习中的结合,提出动量近似方法来解决这一问题,实验结果表明相较于已有异步联邦学习优化器,动量近似方法在收敛速度上能够达到 1.15 到 4 倍的加速。

本文介绍了一种动态全球模型聚合方法,用于解决异构设备和客户端之间不同分布的数据带来的性能挑战。该方法根据客户端的上传频率对模型更新的权重进行评分和调整,以适应设备能力的差异。实验结果表明,该方法在全球模型的准确性上有显著提升。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

FedLPS: 多任务异质联邦学习与本地参数共享

在本文中,我们提出了利用本地参数共享的异构联邦学习(FedLPS)来解决边缘计算环境中多任务部署和资源消耗不均匀问题,并通过模型剪枝算法和异构模型聚合算法来减少计算资源的消耗。实验证明,FedLPS 相对于现有联邦学习框架在性能上有很大的提升,可以将计算资源的消耗降低 21.3%。

该研究提出了一种基于特征提取器共享的异构个性化联邦学习方法(pFedES),通过引入小型同质特征提取器,在不同客户端的本地模型中进行训练,实现全局泛化知识和本地个性化知识的交换和共享。实验证明,pFedES在两个真实数据集上构建了最准确的模型,同时通信和计算成本较低。

相关推荐 去reddit讨论

BriefGPT - AI 论文速递 -

揭示群体特定的分布式概念漂移:联邦学习中的公正要求

通过采用多模型方法,局部组特定漂移检测机制和随时间连续聚类模型的途径,我们的研究旨在解决机器学习中的公平性问题,特别关注组特定漂移和其分布式对应问题。

该文章介绍了一个旨在减少群体偏见、保护隐私和减少资源利用开销的群体公平联邦学习框架。通过计算群体重要性权重、优化表现最差群体的性能以及最小化最差和最好表现群体之间的差异,实现公平决策能力。该框架在人类情绪识别和图像分类基准上的评估验证了其在实际异构环境中的有效性。

相关推荐 去reddit讨论

热榜 Top10

...
观测云
...
天勤数据
...
白鲸技术栈
...
ShowMeBug
...
Dify.AI
...
LigaAI
...
eolink

推荐或自荐