PulseAugur
中
实时 02:58:55
English(EN) Byzantine-Robust Aggregation for Securing Decentralized Federated Learning

新的WFAgg算法增强了去中心化联邦学习的安全性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为WFAgg的新型拜占庭鲁棒聚合算法，用于去中心化联邦学习（DFL）。该算法旨在通过识别和缓解拜占庭攻击来增强DFL环境的安全性，即使在动态去中心化拓扑中也是如此。实验结果表明，WFAgg在图像分类任务上能有效保持模型准确性和收敛性，其性能优于现有的中心化拜占庭鲁棒聚合方法，如Multi-Krum和Clustering。 AI

影响 增强了去中心化人工智能模型训练的安全性与鲁棒性，有望实现更安全、可扩展的分布式人工智能应用。

排序理由 该集群包含一篇详细介绍特定机器学习技术新算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的WFAgg算法增强了去中心化联邦学习的安全性

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Diego Cajaraville-Aboy, Ana Fern\'andez-Vilas, Rebeca P. D\'iaz-Redondo, Manuel Fern\'andez-Veiga ·

    拜占庭鲁棒聚合用于保护去中心化联邦学习

    arXiv:2409.17754v2 Announce Type: replace-cross Abstract: Federated Learning (FL) emerges as a distributed machine learning approach that addresses privacy concerns by training AI models locally on devices. Decentralized Federated Learning (DFL) extends the FL paradigm by elimina…

相关实体

相关话题