PulseAugur
中
实时 06:05:46
English(EN) Encryption-Compatible Clustered Federated Learning via Distributed Expectation-Maximization over Metadata

新的FLAMECHE方法增强了集群联邦学习中的隐私保护

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的集群联邦学习（CFL）方法FLAMECHE，该方法解决了隐私、通信成本和计算效率之间的固有权衡。FLAMECHE将基于元数据的CFL重新表述为分布式期望最大化（EM）过程，允许进行加性服务器更新，并与安全联邦学习方案兼容。实验表明，FLAMECHE提高了客户端模型的有效性，并改善了CFL三难困境的平衡。 AI

影响 增强了联邦学习中的隐私和效率，可能为更安全有效的分布式人工智能模型训练提供了可能。

排序理由 该集群包含一篇详细介绍集群联邦学习新方法的 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 →

新的FLAMECHE方法增强了集群联邦学习中的隐私保护

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Michael Ben Ali, Imen Megdiche, Andr\'e P\'eninou, Olivier Teste ·

    通过分布式元数据期望最大化实现加密兼容的聚类联邦学习

    arXiv:2607.28338v1 Announce Type: cross Abstract: Clustered Federated Learning (CFL) addresses data heterogeneity in federated settings by grouping clients with similar data distributions to enable effective training. Existing methods face a trade-off between privacy preservation…

相关实体

相关话题