FEMNIST
PulseAugur coverage of FEMNIST — every cluster mentioning FEMNIST across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的PI-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名为路径积分代理模型扩展（PI-SME）的新方法，以改进联邦学习中的梯度反演攻击。该技术将客户端的模型更新视为梯度场的路径积分，并使用沿可学习贝塞尔曲线的高斯-勒让德求积法进行近似。PI-SME旨在通过分析客户端初始和最终模型状态之间轨迹上的多个点，比现有方法更准确地重建私有输入数据。在CIFAR-100和FEMNIST数据集上的实验表明，PI-SME在各种条件下都能有效地忠实重建私有输入。
-
新的HiFedProx方法增强了联邦学习的正则化
研究人员开发了一种名为HiFedProx的新型联邦学习正则化技术，该技术改进了现有的FedProx方法。HiFedProx用p索引的幂类型正则化器替换了二次惩罚，从而能够更好地控制客户端参数的位移。在FEMNIST子集上的实验表明，HiFedProx在压力条件下取得了显著的收益，并且在p值为5到7之间观察到了最佳性能。
-
新的攻击通过标签翻转和过采样来针对联邦GAN
研究人员详细介绍了针对生成对抗网络（GAN）的联邦学习设置的新型对抗攻击。这些攻击涉及恶意客户端在本地训练期间通过翻转标签或对有毒样本进行过采样来操纵数据。目的是扭曲全局生成器的输出，使其将目标标签映射到错误的类别。该研究使用Kullback-Leibler散度量化了影响，表明虽然语义损害随中毒强度线性增加，但与真实分布的偏差呈二次方增长，这使得检测变得困难。
-
联邦学习使用谱熵进行无数据客户端贡献估计
研究人员开发了一种新颖的方法，可以在不访问客户端数据的情况下估计联邦学习中的客户端贡献。该方法利用最终层更新的谱熵来衡量每个客户端贡献的信息的多样性。引入了两种实用方案 SpectralFed 和 SpectralFuse，它们在各种基准和非独立同分布条件下与客户端准确性显示出很强的相关性。