实体
DDP-SA
DDP-SA
PulseAugur coverage of DDP-SA — every cluster mentioning DDP-SA across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
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
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。
-
联邦学习的进展提高了隐私性并降低了通信成本
研究人员开发了新的方法来增强联邦学习中的隐私和效率。一种方法侧重于通过使用 Top-K 梯度稀疏化来降低通信成本，该方法仅传输必要的梯度信息，同时保持模型准确性。另一个框架 DDP-SA 将本地差分隐私与秘密共享相结合，以确保没有任何单个服务器可以访问单个客户端数据，从而提供比现有方法更强的隐私保证。这些进展旨在使联邦学习更具可扩展性和安全性，特别是对于大型模型和去中心化系统。