PulseAugur
中
实时 01:45:42
English(EN) Federated learning privacy error scaling cut from 4^b to 2^b Federated learning keeps data on-device, but gradient updates leak it. New preprint from Google and

Google 和 USC 研究人员解决联邦学习隐私错误问题

作者 PulseAugur 编辑部 · [1 个来源] ·

来自 Google 和 USC 的研究人员发现联邦学习中存在一个隐私错误，梯度更新可能会无意中泄露敏感的设备数据。他们开发了一种方法来降低为这些更新添加隐私措施相关的错误成本，将其从 4^b 缩减至 2^b。 AI

影响 解决了联邦学习中的一个关键隐私漏洞，可能实现更安全的设备端 AI 模型训练。

排序理由 该集群讨论了一篇关于联邦学习隐私错误及其解决方案的新预印本。[lever_c_demoted from research: ic=1 ai=1.0]

在 Mastodon — fosstodon.org 阅读 →

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

Google 和 USC 研究人员解决联邦学习隐私错误问题

报道来源 [1]

  1. Mastodon — fosstodon.org TIER_1 English(EN) · [email protected] ·

    联邦学习隐私错误缩放从 4^b 降至 2^b 联邦学习将数据保留在设备上，但梯度更新会泄露数据。来自 Google 的新预印本和

    Federated learning privacy error scaling cut from 4^b to 2^b Federated learning keeps data on-device, but gradient updates leak it. New preprint from Google and USC researchers cuts the error cost of adding privacy. https://www. notatechguy.com/federated-lear ning-privacy-error-s…

    链接 notatechguy.com/federated-learning-privac…

相关实体

相关话题