PulseAugur
中
实时 09:07:47
English(EN) Communication-Efficient Byzantine-Robust Federated Conformal Prediction via Partial Model Sharing

新框架增强联邦学习对攻击的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了PRISM-FCP，一个用于联邦一致性预测的新框架，该框架旨在实现通信高效和对拜占庭攻击的鲁棒性。该方法通过部分模型共享来缓解训练过程中的模型投毒攻击，客户端仅发送其参数的一部分，从而解决了现有方法中的漏洞。此外，它在校准阶段采用基于直方图的过滤来识别和降低对抗性提交的权重。实验表明，PRISM-FCP在保持可靠的预测覆盖率的同时，降低了通信开销，并避免了标准联邦一致性预测中出现的区间膨胀。 AI

影响 增强了分布式机器学习模型训练和不确定性量化的鲁棒性和效率。

排序理由 该集群包含一篇详细介绍联邦学习新方法的 ist research paper。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

新框架增强联邦学习对攻击的鲁棒性

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Ehsan Lari, Reza Arablouei, Stefan Werner ·

    Communication-Efficient Byzantine-Robust Federated Conformal Prediction via Partial Model Sharing

    arXiv:2602.18396v2 Announce Type: replace-cross Abstract: We propose PRISM-FCP (Partial shaRing and robust calIbration with Statistical Margins for Federated Conformal Prediction), a communication-efficient Byzantine-robust federated conformal prediction framework that uses parti…

相关话题