研究人员开发了一个名为 Projected Penalty-Gradient Tracking (PPGT) 的新框架,以提高联邦学习在面对拜占庭对手时的效率和弹性。该框架旨在通过让诚实的工作者上传其惩罚梯度的压缩残差,然后服务器将这些残差投影到已知的惩罚梯度球上,来维持拜占庭弹性,即使在压缩上传的情况下也是如此。从该框架派生出了两种算法 FRPG-CS 和 LAG-FRPG,在 MNIST 和 Fashion-MNIST 数据集上的特定攻击下,与其它方法相比,它们显示出更高的准确性。 AI
影响 这项研究可能导致更强大、更高效的分布式机器学习系统,尤其是在数据完整性受到关注的环境中。
排序理由 该集群包含一篇详细介绍联邦学习新框架和算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Byzantine adversaries
- Fashion-MNIST
- federated learning
- FRPG-CS
- Hugging Face
- LAG-FRPG
- MNIST database
- Projected Penalty-Gradient Tracking
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →