FedSumUp

新的FedSumUp方法增强了联邦学习的隐私和效率

研究人员开发了FedSumUp，一种新颖的联邦学习方法，可增强隐私并减少客户端设备的计算开销。FedSumUp利用可学习的有损压缩器生成紧凑、可解释的表示，允许用户直接评估隐私-效用权衡。这种方法最大限度地减少了隐私泄露，同时保留了任务相关的语义，并在BloodMNIST、CIFAR-10和ChestMNIST等数据集上展示了客户端运行时间高达96.5%的显著缩减，同时保持了具有竞争力的分类准确性。