一项新的研究论文提出了一种新颖的联邦学习聚合规则，该规则利用截断二次（TQ）损失来增强对恶意攻击和数据异构性的鲁棒性。这种TQ损失方法旨在减轻现有技术（如中心裁剪和Huber聚合器）中存在的偏差。在MNIST、Fashion-MNIST和CIFAR-10等数据集上的实验表明，即使只有拜占庭客户端的估计可用，TQ聚合器与当前方法相比也提供了卓越的鲁棒性和学习性能。 AI
影响 这项研究可能带来更可靠的联邦学习系统，特别是在数据被破坏或客户端数据集多样化的场景中。
排序理由 该集群包含一篇详细介绍联邦学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
