FedProx
PulseAugur coverage of FedProx — every cluster mentioning FedProx across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
联邦学习框架增强了可再生能源损失的参数化保险
研究人员开发了一个联邦学习框架，用于设计可再生能源生产损失的参数化保险指数。该方法允许生产者使用私有数据和Tweedie广义线性模型在本地对其损失进行建模，同时通过联邦优化学习全局指数，而无需共享原始观测数据。该框架能够适应方差和链接函数的变异性，并为次指数协变量分布提供了理论保证。在德国太阳能农场的实验表明，与传统的基于近似的聚合方法相比，FedAvg、FedProx和FedOpt等联邦学习方法在速度和计算可行性方面都显著更快，特别…
-
新的联邦学习策略应对数据异质性和安全威胁 · 跟踪 5 个来源
研究人员正在开发新的联邦学习 (FL) 策略来应对数据异质性和安全威胁等挑战。FedImp 和 FedTVD 旨在通过根据数据质量和分布对客户端贡献进行加权来提高收敛速度和模型准确性。FedSGA 专注于优化异构环境中的模型拆分，而 STAR-FL 则引入了针对计算机视觉 FL 系统中数据投毒攻击的防御措施。这些进展共同提高了联邦学习的效率、鲁棒性和安全性。
-
FedChronos 实现了时间序列模型的隐私保护联邦微调
研究人员开发了 FedChronos，这是一个用于时间序列基础模型（TSFM）如 Chronos-T5 的联邦微调的新框架。该方法通过仅传输轻量级适配器权重，实现了在数据无法集中化的去中心化环境中的 TSFM 的适应。在印度商品价格数据上的实验表明，加入差分隐私噪声可以作为一种正则化器，将准确性比零样本性能提高 31%，并减少过拟合。
-
新流程增强临床AI模型的隐私性和准确性
研究人员开发了一种用于处理不平衡临床数据上的差分隐私联邦学习的稳健流程，特别适用于心血管风险预测。该流程整合了SMOTETomek技术以解决数据不平衡问题，并采用了FedProx算法来处理非独立同分布（non-IID）数据，其性能优于标准的FedAvg。研究确定了隐私-效用边界上的一个最优区域，表明在保持高临床效用（召回率>77%）的同时，可以维持强大的隐私保证（epsilon 9.0）。这项工作为使用异构医疗数据构建安全准确的诊断工…
-
联邦学习策略在临床死亡率预测方面进行比较
研究人员使用 MIMIC-IV 数据集对几种用于预测院内死亡率的联邦学习策略进行了基准测试。研究发现，FedProx 在 AUC-ROC 和 AUC-PR 方面表现最佳，优于 FedAvg 和 FedAdagrad 等其他策略。然而，没有一种策略在所有指标上都占主导地位，并且集中式基线模型仍然取得了优越的性能。研究还强调，全局模型不能平等地服务于所有个体护理单元，这表明在联邦学习应用中需要关注客户特定的异构性。
-
研究发现联邦学习准确率可能掩盖模型关键故障
一项比较用于网络入侵检测的联邦学习算法的研究项目显示，高全局准确率可能会掩盖在少数数据孤岛上的糟糕表现。研究发现，FedAvg 实现了 96% 的全局准确率，但在一个只有 300 万个样本中的 3000 个样本的“Web 攻击”小孤岛中，它漏报了所有攻击。相比之下，FedNova 在所有孤岛和种子中都表现出持续的高性能，这凸显了客户端性能指标和聚合方法对于检测罕见攻击的重要性。
-
新的FDRMFL框架增强了在非独立同分布数据上的多模态联邦回归
研究人员推出了一种新颖的框架FDRMFL，专为联邦回归任务中的多模态特征提取而设计，特别解决了非独立同分布（non-IID）数据带来的挑战。该框架采用了一个包含四个项的局部目标函数：MSE预测损失、互信息代理、用于跨模态分布对齐的对称KL惩罚项，以及用于将局部表示锚定到全局共识的对比损失。在合成和真实世界数据集上的实验表明，FDRMFL的有效性，与PCA和VAE等传统方法相比，平均MSE显著降低，并且优于FedAvg和FedProx等…
-
TallyTrain协议大幅削减联邦学习通信成本
研究人员开发了TallyTrain，一种新颖的联邦学习协议，旨在显著降低通信开销。该方法仅传输每个探针的预测类别索引，而非完整的软标签，这对于大量的类别计数尤其有效。通过过滤掉欠训练同伴的噪声，TallyTrain在非独立同分布（non-IID）场景下可以优于传统的软标签蒸馏。此外，一种带宽桥接变体将TallyTrain与稀疏参数合并相结合，在各种操作点上均优于FedAvg和FedProx等标准基线。
-
联邦学习在医疗生存分析领域展现潜力 · 追踪2个来源
一篇新论文评估了联邦学习在医疗生存分析中的应用，特别是在跨多个机构的乳腺癌数据集上。该研究使用FedAvg、FedProx和FedAdam等联邦优化策略，比较了三种生存模型（Cox比例风险模型、DeepSurv和Random Survival Forest）。结果表明，联邦学习方法在保护患者隐私的同时，其性能可以媲美甚至超越集中式方法。Random Survival Forest模型在准确性和鲁棒性方面取得了最佳平衡，其性能受到客户端…
-
新框架通过去中心化联邦学习增强电动汽车电池智能
一篇新研究论文介绍了一种名为ABC-DFL的去中心化联邦学习框架，该框架专为电动汽车（EV）电池智能设计。该系统旨在通过区块链和一种新颖的动态法定人数拜占庭容错（QBFT）协议取代传统的中心化聚合，从而增强安全性和信任度。该框架包括FLECA，一个分层聚合协议，用于过滤恶意更新，并使用鲁棒的集群化来聚合来自可信电动汽车群组的模型更新，在对抗性场景中展示了优于现有防御的性能。
-
ChainLearn框架使用区块链实现容量感知的联邦学习
研究人员开发了ChainLearn，一个用于联邦集成学习的新框架，解决了参与机构之间计算能力差异的挑战。该系统使用区块链技术来管理策略和存储指标，而链下学习和加权集成方法则适应不同的医院硬件。实验表明，与传统的联邦学习方法相比，ChainLearn在通信开销显著降低的情况下实现了具有竞争力的准确性。
-
NVIDIA FLARE 教程在非独立同分布数据上比较 FedAvg 和 FedProx
本教程演示了如何使用 NVIDIA FLARE 实现和比较 FedAvg 和 FedProx 联邦学习算法。实验采用了非独立同分布 (non-IID) 的 CIFAR-10 数据集，通过使用狄利克雷分布划分数据来模拟客户端之间现实的标签不平衡。该指南详细介绍了设置 NVFlare 环境、定义用于本地训练和模型交换的客户端脚本，以及可视化全局模型在训练轮次中的准确率进展。
-
新的电动汽车电池智能框架使用区块链进行去中心化学习
研究人员开发了一个名为 ABC-DFL 的新框架，用于互联电动汽车 (EV) 的去中心化联邦学习。该系统利用区块链取代传统的中心化服务器，并结合了拜占庭容错协议和一种称为 FLECA 的分层聚合方法。FLECA 可过滤掉来自电动汽车的恶意更新，确保电动汽车更安全、更自动化的电池智能，并在针对对抗性攻击的模拟中表现出强大的性能。