PulseAugur
中
实时 12:02:27
English(EN) Privacy-Preserving Decentralized Federated Learning via Explainable Adaptive Differential Privacy

新方法提升去中心化联邦学习的隐私和效率 · 跟踪 2 篇论文

作者 PulseAugur 编辑部 · [2 个来源] ·

两篇新研究论文介绍了增强去中心化联邦学习隐私和效率的新方法。第一篇论文 PrivateDFL 利用超维度计算和透明噪声会计来跟踪累积噪声，允许客户端添加最小的增量噪声，从而实现更好的隐私-准确性平衡。第二篇论文 DDP-SA-adaptive 提出了一种自适应梯度裁剪和噪声注入机制，该机制根据层和轮次调整裁剪阈值，与静态方法相比，提高了训练效率和隐私保证的强度。 AI

影响 这些进展可能在敏感数据环境中实现更安全、更高效的协作式 AI 模型训练。

排序理由 在 arXiv 上发表了两篇关于差分隐私联邦学习新方法的学术论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新方法提升去中心化联邦学习的隐私和效率 · 跟踪 2 篇论文

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Fardin Jalil Piran, Zhiling Chen, Yang Zhang, Qianyu Zhou, Jiong Tang, Farhad Imani ·

    通过可解释的自适应差分隐私实现隐私保护的去中心化联邦学习

    arXiv:2509.10691v3 Announce Type: replace-cross Abstract: Decentralized federated learning enables collaborative model training without a central server, but shared model updates can still leak sensitive information through inversion, reconstruction, and membership inference atta…

  2. arXiv cs.LG TIER_1 English(EN) · Wenjing Wei, Alla Jammine, Farid Nait-Abdesselam ·

    一种自适应梯度裁剪和噪声注入机制用于差分隐私联邦学习

    arXiv:2608.15153v1 Announce Type: cross Abstract: Differentially private federated learning must balance privacy protection against model accuracy and training efficiency. Static gradient clipping applies a fixed threshold throughout training and across model layers, which can ca…

相关实体

相关话题