新框架提升联邦学习的安全性与效率

研究人员开发了一个新的联邦学习框架，该框架提高了基于签名的安全性和效率。该方法通过安全地计算多数投票多项式来确保信息论安全，只向服务器揭示聚合后的签名。该框架采用了逆形式指数约减和单轮安全乘法等技术，显著降低了通信和延迟，在线通信减少高达 99.5%。此外，它还能抵御掉线和对抗性行为，从而大幅提高准确性。 AI

影响 增强了设备上联邦学习的隐私性和效率，可能使资源受限设备更广泛地采用。

排序理由 该条目是发表在 arXiv 上的研究论文，详细介绍了联邦学习的新技术框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• CORE Recommender
• DagsHub
• federated learning
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• MDS code
• MV polynomial
• ScienceCast
• signSGD

• 论文
• 安全
• 基础设施

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