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。
VFEFL: Privacy-Preserving Federated Learning against Malicious Clients via Verifiable Functional Encryption
Arxiv
0+阅读 · 1月6日
Tackling Resource-Constrained and Data-Heterogeneity in Federated Learning with Double-Weight Sparse Pack
Arxiv
0+阅读 · 1月5日
Local Layer-wise Differential Privacy in Federated Learning
Arxiv
0+阅读 · 1月5日
VFEFL: Privacy-Preserving Federated Learning against Malicious Clients via Verifiable Functional Encryption
Arxiv
0+阅读 · 1月3日
Communication-Efficient Federated AUC Maximization with Cyclic Client Participation
Arxiv
0+阅读 · 1月4日
Byzantine-Robust Federated Learning Framework with Post-Quantum Secure Aggregation for Real-Time Threat Intelligence Sharing in Critical IoT Infrastructure
Arxiv
0+阅读 · 1月3日
Distributed Federated Learning by Alternating Periods of Training
Arxiv
0+阅读 · 1月5日
CoCo-Fed: A Unified Framework for Memory- and Communication-Efficient Federated Learning at the Wireless Edge
Arxiv
0+阅读 · 1月2日
Federated Customization of Large Models: Approaches, Experiments, and Insights
Arxiv
0+阅读 · 1月2日
HFedMoE: Resource-aware Heterogeneous Federated Learning with Mixture-of-Experts
Arxiv
0+阅读 · 1月2日
OptiVote: Non-Coherent FSO Over-the-Air Majority Vote for Communication-Efficient Distributed Federated Learning in Space Data Centers
Arxiv
0+阅读 · 2025年12月30日
FedSecureFormer: A Fast, Federated and Secure Transformer Framework for Lightweight Intrusion Detection in Connected and Autonomous Vehicles
Arxiv
0+阅读 · 2025年12月30日
Tazza: Shuffling Neural Network Parameters for Secure and Private Federated Learning
Arxiv
0+阅读 · 2025年12月30日
Data Heterogeneity-Aware Client Selection for Federated Learning in Wireless Networks
Arxiv
0+阅读 · 2025年12月30日
AutoFed: Manual-Free Federated Traffic Prediction via Personalized Prompt
Arxiv
0+阅读 · 2025年12月31日
参考链接
微信扫码咨询专知VIP会员
Top