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。
A Hybrid Federated Learning Based Ensemble Approach for Lung Disease Diagnosis Leveraging Fusion of SWIN Transformer and CNN
A Hybrid Federated Learning Based Ensemble Approach for Lung Disease Diagnosis Leveraging Fusion of SWIN Transformer and CNN
Arxiv
0+阅读 · 2月19日
Catastrophic Forgetting Resilient One-Shot Incremental Federated Learning
Arxiv
0+阅读 · 2月19日
FedMerge: Federated Personalization via Model Merging
Arxiv
0+阅读 · 2月18日
VerifiableFL: Verifiable Claims for Federated Learning using Exclaves
Arxiv
0+阅读 · 2月17日
SRFed: Mitigating Poisoning Attacks in Privacy-Preserving Federated Learning with Heterogeneous Data
Arxiv
0+阅读 · 2月18日
Exploiting Layer-Specific Vulnerabilities to Backdoor Attack in Federated Learning
Arxiv
0+阅读 · 2月16日
A Multi-Token Coordinate Descent Method for Semi-Decentralized Vertical Federated Learning
Arxiv
0+阅读 · 2月5日
Rashomon Sets and Model Multiplicity in Federated Learning
Arxiv
0+阅读 · 2月10日
Right Reward Right Time for Federated Learning
Arxiv
0+阅读 · 2月8日
Right Reward Right Time for Federated Learning
Arxiv
0+阅读 · 2月12日
Towards Explainable Federated Learning: Understanding the Impact of Differential Privacy
Arxiv
0+阅读 · 2月10日
Federated Learning Clients Clustering with Adaptation to Data Drifts
Arxiv
0+阅读 · 2月8日
VFEFL: Privacy-Preserving Federated Learning against Malicious Clients via Verifiable Functional Encryption
Arxiv
0+阅读 · 2月16日
Bridging Generalization Gap of Heterogeneous Federated Clients Using Generative Models
Arxiv
0+阅读 · 2月13日
Safeguarding Privacy: Privacy-Preserving Detection of Mind Wandering and Disengagement Using Federated Learning in Online Education
Arxiv
0+阅读 · 2月10日
参考链接
微信扫码咨询专知VIP会员
Top