对联邦学习中八种标准拜占庭鲁棒聚合规则的新审计发现,当应用于通常只有少数几家医院参与的真实临床合作时,存在显著问题。研究发现,现有的有效性检查未能考虑到倾斜联盟中的故障,尤其是在一家医院拥有大部分训练数据的情况下。在这种情况下,样本量加权可能导致数据份额独裁和模型崩溃,诚实训练数据的丢失比对抗性攻击更重要。 AI
影响 现有的联邦学习聚合规则可能不适用于小规模临床合作,可能阻碍安全公平的数据共享。
排序理由 学术论文,详细介绍了对联邦学习中聚合规则的实证审计。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- Byzantine robustness
- centered clipping
- FedAvg
- Fed-Heart-Disease
- Fed-ISIC2019
- Fed-TCGA-BRCA
- geometric median
- Hugging Face
- Krum
- Multi-Krum
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →