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。
FedSteer: Taming Extreme Gradient Staleness in Federated Learning with Corrective Projections and Caching
Arxiv
0+阅读 · 6月22日
Federated learning with heavy-tailed gradient noise and communication noise: a variance-reduction based algorithm
Arxiv
0+阅读 · 6月21日
FAIRVAR: Fair Federated Learning via Variance Regularization
Arxiv
0+阅读 · 6月22日
HADES: Privacy-Preserving Federated Learning via Selective Feature Encryption and Hybrid Model Fusion
Arxiv
0+阅读 · 6月22日
Subspace-Constrained Federated Learning with Low-Rank Adaptation
Arxiv
0+阅读 · 6月21日
Federated Learning with Incomplete Data: When to Use Complete Cases and When to Weight
Arxiv
0+阅读 · 6月18日
Development and Design of FLKit: A Structured Onboarding Toolkit for Federated Learning in Health and Life Sciences
Arxiv
0+阅读 · 6月22日
Towards Robust Personalized Federated Learning: Vulnerability Assessment and Defense Co-Design
Arxiv
0+阅读 · 6月22日
Federated Learning for Global Carbon Emission Forecasting: A Hybrid Time-Series Approach with Statistical and Neural Models
Arxiv
0+阅读 · 6月21日
A Robust Framework for Secure Cardiovascular Risk Prediction: An Architectural Case Study of Differentially Private Federated Learning
Arxiv
0+阅读 · 6月20日
Embedding-Based Federated Learning with Runtime Governance for Iron Deficiency Prediction
Arxiv
0+阅读 · 6月19日
PoCQ: Proof of Contribution Quality as a Lightweight Blockchain Consensus for Secure Federated Learning
Arxiv
0+阅读 · 6月17日
Variational Consensus Monte Carlo for Bayesian Mixture
Arxiv
0+阅读 · 6月17日
Automated Byzantine-Resilient Clustered Decentralized Federated Learning for Battery Intelligence in Connected EVs
Arxiv
0+阅读 · 6月17日
SCOPE-FL: A Strategy-proof Chain-based Optimal pareto efficient Federated Learning System
Arxiv
0+阅读 · 6月16日
参考链接
微信扫码咨询专知VIP会员
Top