federated learning
PulseAugur coverage of federated learning — every cluster mentioning federated learning across labs, papers, and developer communities, ranked by signal.
- instance of Decentralized federated learning system 90%
- used by homomorphic encryption 90%
- instance of Gotit.pub 90%
- used by Byzantine attacks 90%
- uses blockchain 80%
- used by differential privacy 70%
- uses differential privacy 70%
- affiliated with differential privacy 70%
- used by ResNet-18 70%
- other Byzantine attacks 70%
- affiliated with blockchain 60%
- competes with differential privacy 50%
- 2026-05-22 research_milestone Publication of a paper detailing an embedding-based federated learning system for iron deficiency prediction. 来源
19 天有情绪数据
-
新框架增强联邦学习的隐私、鲁棒性和效率 · 跟踪4个来源
研究人员正在开发先进的联邦学习（FL）框架，以增强隐私、鲁棒性和效率。PRoVeFL利用多服务器上的多密钥全同态加密来防止推断和投毒攻击，显著提高了运行时间。另一种方法引入了一个自适应框架，通过使用局部降维和动态梯度裁剪来稳定训练并提高差分隐私下的模型性能，从而解决设备异构性和非独立同分布数据的问题。第三个系统FeLiX通过采用流感知可用性层和鲁棒聚合机制，专注于在真实场景中最小化达到准确率的挂钟时间，以应对客户端流失。最后，一个理论…
-
新的自适应OPTICS聚类方法增强了联邦学习
研究人员开发了一种新颖的联邦学习方法，以解决用户终端之间非独立同分布数据的挑战。该方法利用自适应OPTICS聚类算法，将参数调整过程建模为马尔可夫决策过程，从而无需手动干预即可找到最优聚类参数。所提出的方法已通过实验验证，证明了其在实现更好联邦聚合方面的有效性和优越性。
-
新的个性化联邦学习方法改进了ECG分类
研究人员开发了FedDualAtt，一种新颖的个性化联邦学习方法，旨在改进心电图（ECG）分类。该方法通过将Transformer注意力头分为全局和局部分支，解决了不同医疗机构之间数据异构性的挑战。全局头通过聚合捕获共享模式，而局部头则适应机构特定的数据特征。在FedCVD基准上的实验表明，FedDualAtt在ECG分类方面优于现有的联邦和个性化联邦学习技术。
-
FedEAS策略降低了联邦学习中合成数据生成的成本
研究人员开发了FedEAS，这是一种旨在缓解联邦学习（FL）中标签偏斜的新型策略。该方法通过根据每个客户端的本地标签分布为其分配预算来优化合成数据生成过程，从而确定生成样本的数量和目的地。与传统的全类别平衡方法相比，FedEAS显著降低了相关的计算成本，在生成预算减少高达94.1%的情况下实现了显著的准确性提升。与相同生成预算下的均匀分配策略相比，FedEAS表现出更优越的性能，在CIFAR-10和CIFAR-100等数据集上准确率提…
-
新的FedCVESA攻击窃取联邦学习模型中的私有数据
研究人员开发了FedCVESA，一种在联邦学习环境中进行“窃取训练数据”（TATD）攻击的新颖方法。这种白盒攻击针对特定客户端，将私有训练数据编码到模型参数（称为载体参数）中。为了对抗联邦学习中标准服务器聚合过程中发生的覆盖问题，FedCVESA采用了分段聚合，保留了这些关键的载体参数，同时允许其余参数进行正常平均。在MNIST和CIFAR-10等数据集上的实验表明，即使在非独立同分布（non-IID）数据分布下，FedCVESA也能…
-
新方法增强持续学习中的参与者隐私
研究人员开发了一种新的可审计方法，用于确保持续学习系统中的参与者隐私，特别是在联邦学习和流式学习场景中。该方法解决了单次编辑邻近用户流带来的挑战，因为修改可能会破坏标准的隐私分析。提出的缓冲-聚合方法使用随机包装器创建特定大小的箱子，将复杂的流简化为更易于管理的汉明风格更新流，同时提供明确的积压和延迟保证。这种方法实现了单次编辑流的轨迹级差分隐私，将隐私参数与延迟联系起来。
-
新研究探索先进的空中联邦学习技术
两篇新研究论文探讨了空中联邦学习（AirFL）的进展，AirFL 是一种利用无线信道进行高效数据聚合的技术。第一篇论文介绍了 AirPASS，一个采用多波导捏合天线系统来优化设备选择、波束成形和天线布局以提高学习性能的框架。第二篇论文提出了 CHARGE-FL，它根据信道动态和客户端异构性自适应地调度聚合，以提高准确性和稳定性，尤其是在具有挑战性的无线环境中。
-
联邦学习研究通过频域分析解决客户端漂移问题 · 已追踪 2 个来源
两篇新研究论文 FedFFT 和 SpecGradFilter 提出新颖方法，通过分析频域中的梯度扰动来解决联邦学习中的客户端漂移问题。两篇论文都指出，客户端更新中的不一致性，尤其是在使用 Sharpness-Aware Minimization (SAM) 时，集中在低频分量。通过过滤这些低频信号，它们各自的框架旨在提高模型泛化能力和收敛性，尤其是在非独立同分布（non-IID）数据分布下，而不会显著增加通信开销。
-
FedProIn框架增强了医学影像的联邦学习
研究人员开发了FedProIn，一个旨在通过解决客户端漂移来改进医学影像联邦学习的新框架。该方法利用可学习的类别原型来捕获异构客户端之间共享的语义结构，从而缓解由扫描仪、采集协议和患者群体差异引起的问题。FedProIn引入了特征散度损失和原型对比损失来对抗客户端漂移，并采用归一化影响聚合策略来根据客户端原型对全局表示的贡献来对其进行自适应加权。在HAM10000和Matek-19数据集上的实验表明，FedProIn在IID和非IID…
-
新论文发现：组学研究中的联邦学习受批处理效应阻碍
一篇新研究论文发布在arXiv上，探讨了多中心组学研究中联邦学习的批处理效应挑战。研究表明，未经校正的批处理效应会严重损害无监督和有监督的联邦学习算法，包括联邦k-means聚类和联邦随机森林分类。为解决此问题，研究人员引入了fedRBE，这是limma的removeBatchEffect()方法的一种新颖的联邦实现，它利用安全多方计算进行分布式组学数据中隐私保护的批处理效应校正。
-
新的AugMP策略针对LLM的联邦微调
研究人员开发了一种名为增强模型操纵（AugMP）的新策略，以应对大语言模型（LLM）联邦微调（FFT）中的威胁。AugMP利用图表示学习框架来识别合法LLM更新中的相关性，然后指导创建恶意更新。一种迭代算法优化这些对抗性更新，使其嵌入恶意目标，同时保持良性外观，从而难以被标准防御方法检测。实验表明，AugMP可以将全局LLM的准确性显著降低高达26%，局部代理的准确性降低高达22%。
-
新型NL-SME方法增强了联邦学习中的梯度反演攻击
研究人员开发了一种新颖的NL-SME方法，旨在对抗联邦学习中的多步梯度反演攻击。该方法构建了一个可学习的非线性代理轨迹来近似隐藏的局部状态，将轨迹级别的信息与校准的梯度匹配相结合。NL-SME还包含一个更新可靠性感知策略，以减轻扰动更新中不可靠组件的影响。实验表明，NL-SME在重建质量和准确性方面显著优于现有方法，突显了即使在联邦学习的多步更新中也存在潜在的隐私泄露风险。
-
新的GDBR攻击通过部分加密破坏联邦学习中的隐私
研究人员开发了一种名为GDBR的新攻击，可以从使用部分梯度加密的联邦学习系统中恢复私有标签。该攻击利用了神经网络架构中的一个漏洞，表明仅加密输出层不足以保护敏感数据。GDBR可用于数据重构和成员推理等下游攻击，挑战了部分加密提供足够隐私的假设。
-
新框架优化去中心化联邦学习的拓扑选择
研究人员推出AIRPLAN，一个用于优化过顶去中心化联邦学习（OTA-DFL）拓扑选择的新颖框架。通过将OTA-DFL与分布式查询处理进行类比，AIRPLAN将拓扑选择构建为一种基于成本的查询优化问题。该系统利用隐私保护的Count-Min Sketch统计数据来估计工作负载特征并评估通信图成本，最终选择能够满足准确性服务级别协议并最大限度地降低训练成本的拓扑。
-
联邦学习实现协同无人机目标检测，无需数据集中化
研究人员开发了一种用于目标检测的联邦学习方法，使无人机能够在不集中其数据的情况下协同训练共享模型。该方法解决了分布式无人机部署中固有的隐私和带宽挑战。使用 KIIT-MiTA 数据集和 YOLO26 nano 模型进行的实验表明，联邦学习在性能上接近集中式训练，并且在平均精度方面显著优于单无人机训练。
-
Split-n-Chain 使用区块链实现隐私保护的分片学习
研究人员推出 Split-n-Chain，一种利用区块链实现可审计性的新颖隐私保护分片学习方法。该方法将深度学习网络层分布在多个分布式节点上，确保数据所有者不共享其原始训练数据，并且节点仅访问其所持有的层参数。实验结果表明，Split-n-Chain 效率高，并且实现了与单体实现相当的训练损失趋势。
-
新的优化器解决了联邦学习中的类别不平衡问题
研究人员开发了 FedCGNM，一种新颖的客户端优化器，旨在解决联邦学习中的类别不平衡问题。该方法将类别划分为组，为每个组维护和归一化动量，并使用归一化组动量之和进行更新。这种方法旨在均衡多数类和少数类之间的梯度幅度，并减少稀有类别梯度的噪声。此外，还引入了 X 臂老虎机算法 FedHOO，通过利用联邦并行性来有效优化小型联邦中的超参数速率。
-
综述探讨生成式人工智能和联邦学习在入侵检测中的应用
一篇新发表在arXiv上的综述文章探讨了将生成式人工智能（AI）和联邦学习（FL）相结合以增强入侵检测系统（IDS）的应用。文章强调了生成模型如何通过支持异常检测、合成数据生成和警报解释来应对不断变化的攻击行为和数据稀缺等挑战。联邦学习被提出作为一种在不共享敏感本地网络流量的情况下协同训练IDS模型的方法，使其适用于注重隐私和分布式环境。该综述对生成式AI在IDS中的应用进行了分类，包括自编码器、生成对抗网络（GANs）、扩散模型和大…
-
Federated learning and knowledge distillation benchmarked for 3D point cloud classification
一篇新的研究论文对联邦学习（FL）和知识蒸馏（KD）在3D点云分类中的联合使用进行了基准测试，特别是在隐私敏感和资源受限的环境中。研究表明，虽然在非独立同分布（non-IID）标签偏斜下，单独的FL性能会显著下降，但KD可以有效地压缩模型。然而，评估中发现了一个关键的陷阱，即使用代理分割上的硬标签进行蒸馏可能会掩盖联邦教师性能不佳的情况。研究人员建议使用无标签蒸馏方法，以确保报告的准确性真正反映联邦模型的质量。
-
新的agentic工作流自动化联邦学习算法搜索
研究人员开发了Auto-FL-Research (AFR)，一个受约束的编码代理工作流，旨在自动化有效联邦学习算法的搜索。该系统允许代理提出并实现各种算法选择，例如优化器变体、服务器聚合规则和本地训练计划，同时保持计算预算、通信和评估的固定参数。在医疗保健和LEAF数据集上的评估显示，在多项任务上取得了性能提升，但也突显了种子敏感和搜索选择的失败案例，区分了真实的算法改进和搜索过程的产物。