PulseAugur
中
实时 06:46:22
English(EN) Collaborative Synthetic Data Generation for Knowledge Transfer in Federated Learning

新框架通过隐私保护的合成数据增强联邦学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了 FedKT-CSD，一个用于联邦学习的新框架，可在确保正式隐私保证的同时增强知识迁移。该方法利用预训练的自编码器创建共享的潜在空间，允许客户端将私有数据编码为传输到服务器的统计数据。然后，服务器聚合这些统计数据，添加差分隐私噪声，并生成用于训练全局模型的合成数据集。FedKT-CSD 在数据异质性和隐私限制条件下，也表现出与非私有方法相媲美的性能。 AI

影响 这项研究可能带来更强大、更私密的联邦学习系统，从而在敏感数据环境中实现更广泛的应用。

排序理由 详细介绍联邦学习新框架的学术论文。[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 →

新框架通过隐私保护的合成数据增强联邦学习

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Wojciech Samek ·

    Collaborative Synthetic Data Generation for Knowledge Transfer in Federated Learning

    One-shot federated learning (OSFL) addresses the communication overhead of federated learning by limiting training to a single round, but doing so without sacrificing model quality is non-trivial, particularly when client data distributions diverge. Recent work has addressed this…

相关实体

相关话题