研究人员开发了一种联邦学习方法，用于在解决良性和对抗性数据异质性的同时训练飞机发动机预测模型。该研究在 C-MAPSS 基准数据集上使用多任务一维卷积神经网络，评估了良性异质性的方法，发现共享表示的个性化显著提高了模型准确性。对于对抗性场景，后门攻击在标准平均法上显示出很高的成功率，凸显了明确安全评估的必要性。Krum 聚合方法被证明能有效降低攻击成功率并抵御协调攻击者，尤其是在与个性化结合时，实现了鲁棒的性能且准确性损失最小。 AI
影响 通过解决数据异质性和对抗性攻击，增强了关键基础设施中 AI 模型的安全性和准确性。
排序理由 学术论文，详细介绍了针对特定应用的联邦学习新方法。
- C-MAPSS
- federated learning
- Krum
- One-dimensional convolutional neural network (1D-CNN) image reconstruction for electrical impedance tomography
- Remaining Useful Life Prediction of Rolling Bearings Using PSR, JADE, and Extreme Learning Machine
- Commercial Modular Aero-Propulsion System Simulation
- Hugging Face
- multi-task one-dimensional convolutional neural network
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
