federated learning
PulseAugur coverage of federated learning — every cluster mentioning federated learning across labs, papers, and developer communities, ranked by signal.
- instance of Clustered Federated Learning: Model-Agnostic Distributed Multitask Optimization Under Privacy Constraints 95%
- instance of alphaXiv 90%
- instance of ScienceCast 90%
- authored by alphaXiv 90%
- instance of Personalized Federated Learning for Intelligent IoT Applications: A Cloud-Edge based Framework 90%
- instance of Split Federated Learning 90%
- instance of Decentralized federated learning system 90%
- used by homomorphic encryption 90%
- used by differential privacy 80%
- used by optimal transport 80%
- developed alphaXiv 70%
- developed by alphaXiv 70%
- 2026-05-22 research_milestone Publication of a paper detailing an embedding-based federated learning system for iron deficiency prediction. 来源
15 天有情绪数据
-
FedDoG框架使用扩散模型提升单次联邦学习性能
研究人员推出FedDoG,一个新颖的无训练框架,通过利用服务器端预训练的扩散模型来增强单次联邦学习(OSFL)。该方法通过合成与个体客户端分布一致的数据,解决了客户端数据异构且通信轮次有限的挑战。FedDoG通过提取紧凑的域表示并使用预训练的图像条件适配器进行视觉引导,显著降低了客户端的计算和通信成本。实验表明,FedDoG生成的合成图像质量更高,分类准确性得到提升,并大幅缩短了客户端上传和计算时间。
-
新攻击可从联邦学习客户端恢复精确训练数据
研究人员开发了一种新颖的攻击流程,可以从参与联邦学习的客户端中提取精确的训练数据。该方法解决了先前梯度反演攻击的局限性,这些攻击在诸如FedAvg之类的算法中,由于客户端贡献的纠缠而难以恢复精确的文本数据。新的流程迭代地减去恢复的句子梯度,从而实现了100%精度的精确句子恢复,并在先前方法完全失败的挑战性场景中恢复了高达80.2%的客户端句子。
-
新框架增强联邦学习的拜占庭攻击抵御能力
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…
-
联邦学习:人工智能在不访问用户数据的情况下进行学习
联邦学习允许人工智能模型在用户数据从不离开用户设备的情况下从用户数据中学习。这种方法通过将敏感信息本地化来增强隐私。该技术在维护用户数据安全的同时,能够持续改进人工智能的能力。
-
新的Q-LocalAdam优化器提高了边缘联邦学习的内存效率
研究人员开发了Q-LocalAdam,这是一种新颖的自适应优化器,旨在减少边缘设备上联邦学习的内存使用。该方法采用块状线性和对数空间量化来处理优化器状态,在不显著影响收敛速度的情况下,大大减小了内存占用。在物理边缘设备和GPU上针对各种工作负载进行的评估表明,Q-LocalAdam能够有效地实现内存受限的边缘部署的实用自适应优化。
-
区块链和联邦学习增强车联网通信的安全性和效率
一篇新研究论文提出了一种新颖的车对车(V2V)通信系统,该系统结合了区块链技术、联邦学习和资源分配优化。该系统旨在通过共识优化和用于数据隐私的k-匿名性来增强安全性,同时提高效率。性能评估表明,该方法在数据包传输率、模型准确性和延迟等指标上优于现有技术,为联网和自动驾驶汽车提供了比传统5G更可靠、延迟更低的解决方案。
-
新的 RASA 框架优化了联邦学习以满足不同的客户端需求
研究人员开发了接收器感知子空间自适应(RASA)框架,这是一种用于联邦学习的新框架,解决了最优矩阵重建与客户端特定需求之间的不匹配问题。RASA 在接收器加权更新响应上使用主成分分析,以确保分布式更新对每个客户端最有效,即使在资源预算各不相同的情况下也是如此。实验表明,RASA 在 DomainNet-100 和 SuperNI 等数据集上提高了准确性,在异构条件下优于现有方法。
-
联邦学习框架FedUCA增强了客户端参与度
研究人员推出了一种新颖的联邦学习框架FedUCA,旨在通过解决理性客户端优先考虑自身利益的问题来提高联邦学习的参与度。该非货币化系统允许客户端根据其本地效用阈值沟通参与意愿。然后,服务器会优化聚合参数以满足这些个体理性约束,从而维持全局模型性能并防止客户流失。
-
新的FedEEG方法增强了联邦脑电图学习的隐私性
研究人员开发了一种名为FedEEG的新方法,用于差分隐私联邦类增量学习,专门针对使用可穿戴脑电设备数据的少量人群。该方法结合了突触智能(Synaptic Intelligence)巩固和滞后自适应FedProx项,以减轻灾难性遗忘,其性能优于标准的FedAvg和FedProx方法。该研究还引入了头域客户端级差分隐私(DP),通过降低可实现的epsilon值来显著增强隐私保护,同时保持与非私有训练相当的效用。
-
新的攻击方法可从联邦学习模型中重建私有数据
研究人员开发了一种从联邦学习模型中重建私有数据的新方法,该方法专门针对广泛使用的FedAvg场景。该方法包括近似中间模型更新,并采用通过贝叶斯优化调整的逐层加权损失函数,以提高重建数据的质量。实验证明了这种近似加权攻击(AWA)方法的有效性,与现有技术相比,在图像数据重建方面显示出显著的改进。
-
联邦学习奖励系统权衡:隐私与公平
研究人员为联邦学习奖励系统开发了两个Solidity智能合约,旨在激励参与的同时维护数据隐私。一个合约根据公开的质量分数分配奖励,而一个注重隐私的版本则使用零知识证明来隐藏个人分数。使用MNIST数据库进行的实验揭示了一种权衡:增强的隐私导致系统鲁棒性下降,并增加了对Sybil攻击等对抗性攻击的脆弱性,最终导致诚实贡献者被排除在外。
-
Cortex-FL 系统使用代理简化联邦学习协作
一个名为 Cortex-FL 的新系统已被开发出来,通过使用代理来管理协作,从而促进联邦学习。这些代理可以解释自然语言目标、寻找合适的协作者并协商协议,从而简化了没有专业知识的用户的流程。该架构确保用户在将协调任务委托给代理的同时,保留对其数据和计算的控制权,并通过演示展示了在区块链测试网上成功进行模型训练和结算。
-
新的GLOBAFED框架增强了联邦优化中隐私保护的知识迁移
研究人员推出了一种名为GLOBAFED的新框架,旨在改进联邦贝叶斯优化(FedBO)中的知识迁移。该方法解决了现有FedBO方法在实际场景中常常无法满足的、需要相似目标函数或共享超参数的局限性。GLOBAFED利用具有共享骨干网络和特定代理头(agent-specific heads)的概率神经网络,通过联邦学习实现特征表示的协作学习,同时保护隐私。实证结果表明,GLOBAFED比当前的FedBO基线模型能加速收敛并取得更优的性能。
-
联邦学习框架通过二值神经网络实现低成本推理
研究人员开发了FedBNN,一个联邦学习框架,旨在实现资源受限的边缘设备的有效推理。该方法利用二值神经网络(BNN)来应对部署深度神经网络的挑战,BNN使用单比特表示权重和激活。FedBNN采用了感知旋转的二值化技术,该技术将实值权重与其二值对应项对齐,并针对具有异构数据分布的联邦环境进行了调整。实验表明,FedBNN在计算量和内存使用量显著降低的同时,实现了与全精度模型相当的准确性。
-
新的梯度反演攻击利用了联邦学习中的子空间约束
研究人员开发了新的联邦学习梯度反演攻击,利用了线性和仿射子空间约束。这些方法提高了从交换梯度中重建敏感客户端数据的准确性。研究还发现,适度高估批次大小可以提高重建质量,即使在不知道真实批次大小的情况下也是如此,并考察了差分隐私机制对攻击有效性的影响。
-
新的PSL-RGHA框架解决了联邦学习中的发散问题
研究人员推出了一种新颖的并行拆分学习框架PSL-RGHA,旨在解决联邦学习中的训练发散问题。该方法利用参考梯度渐进构建和梯度半空间对齐来创建鲁棒的参考梯度并约束客户端更新,从而提高收敛性和性能,尤其是在多媒体应用中资源受限的设备上。
-
联邦学习提升跨区域新冠疫情预测能力
研究人员开发了一个联邦学习框架,以改进不同区域的新冠疫情预测,即使在爆发不同步的情况下。通过使用来自广东、澳门和葡萄牙的数据训练长短期记忆网络,该联邦模型在保持数据隐私的同时,实现了与集中式训练相当的预测准确性。研究表明,利用一个区域早期爆发的传播动态可以增强对经历较晚爆发的区域的预测。
-
新的联邦学习方法将微调大型AI模型的开销减半
研究人员开发了SPRA-LoRA,这是一种新颖的联邦学习策略,旨在优化资源受限设备上大规模基础模型的微调。该方法通过理论证明冻结和定期重采样LoRA的A矩阵可以近似完全微调,同时将计算和通信开销减少50%,从而解决了分布式客户端的挑战。SPRA-LoRA还根据适应秩动态调整学习率,提高梯度信噪比和整体效用。实验表明,SPRA-LoRA在客户端开销显著降低的情况下,始终优于现有方法。
-
用于脑部MRI合成的联邦学习与集中式训练效果相当
一篇新发表在arXiv上的研究论文探讨了联邦学习在训练用于合成脑部MRI扫描的3D潜在扩散模型方面的有效性。研究发现,联邦学习(一种保持数据去中心化和私有的方法)的表现与传统的集中式训练方法相当。这种方法对于在不损害患者数据隐私的情况下开发多站点生成模型至关重要,并在条件保真度、多样性和真实性等指标上显示出可行性。
-
FedDyMem 推进联邦学习在无监督图像异常检测中的应用
研究人员开发了 FedDyMem,一种新颖的联邦学习方法,专为无监督图像异常检测 (UAD) 设计。该方法解决了去中心化 UAD 中的挑战,例如客户端之间异构的特征分布以及对高效、隐私保护通信的需求。FedDyMem 利用动态内存库和内存减少技术在客户端和服务器之间共享知识,显著降低了通信开销并增强了数据隐私。在多个 UAD 任务上的实验表明,FedDyMem 在提高异常检测准确性的同时降低了通信成本。