FedRE框架通过表示纠缠解决联邦学习的困境

中国信息通信研究院（CAICT）和清华大学的研究人员推出了一种新颖的联邦学习框架 FedRE，该框架解决了在模型性能、数据隐私和通信成本之间取得平衡的长期挑战。FedRE 利用一种称为“表示纠缠”的技术，将不同类别的本地数据表示融合到一个单一的纠缠表示中，然后上传到服务器。这种方法通过使单个数据点更难重建来增强隐私，并且由于客户端每轮只需要发送一个纠缠表示，从而降低了通信开销。实验表明，与现有方法相比，FedRE 在模型异构联邦学习场景中取得了具有竞争力的性能、卓越的隐私保护和更低的通信成本。 AI

影响 提供了一种平衡的联邦学习方法，有可能在隐私敏感的应用中实现更安全、更高效的数据协作。

排序理由 提出联邦学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 量子位 (QbitAI) 阅读 →

• China Academy of Information and Communications Technology
• FedAllRep
• Federated Representation Entanglement
• FedGH
• FedProto
• LG-FedAvg
• Tsinghua University

• 论文
• 安全
• 产品

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