PulseAugur
中
实时 09:46:04
实体 FEMNIST

FEMNIST

PulseAugur coverage of FEMNIST — every cluster mentioning FEMNIST across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
6
90 天内 10
发布 · 30天
0
90 天内 0
论文 · 30天
5
90 天内 9
层级分布 · 90 天
主题
关系
情绪 · 30 天

2 天有情绪数据

最近 · 第 1/1 页 · 共 10 条
  1. TOOL · CL_342330 ·

    新的聚类联邦学习框架提高了 6G 网络效率

    研究人员开发了一个聚类联邦学习 (CFL) 框架,以提高未来 6G 网络中分布式学习的效率和性能,尤其是在处理非独立同分布 (non-IID) 数据时。该框架将客户端分配给专门的模型,从而在不共享原始数据的情况下利用客户端的相似性并降低通信成本。在无线模拟数据集 (DeepMIMO) 和非独立同分布基准 (FEMNIST, Rotated CIFAR-10) 上的评估表明,与现有方法相比,准确性显著提高,下行数据量大幅减少。

  2. TOOL · CL_327308 ·

    新的RoCo-FL框架提高了联邦学习在噪声和异构性下的鲁棒性

    研究人员推出了一种新颖的框架RoCo-FL,旨在增强过顶联邦学习(OTA-FL)系统的鲁棒性和收敛性。该框架专门解决了边缘设备之间信道噪声、衰落以及数据和系统能力异构性带来的挑战。RoCo-FL通过不精确优化来制定局部更新,并纳入了近端约束,从而稳定局部训练并减轻无线损伤和掉队者的影响。理论分析证实了其对非凸目标的收敛保证,在CIFAR10、CIFAR100和FEMNIST等数据集上的实验验证表明,与现有方法相比,RoCo-FL在噪声…

  3. TOOL · CL_312794 ·

    新的集群联邦学习方法对抗模型崩溃

    研究人员开发了一种新的集群联邦学习(CFL)框架,以解决模型崩溃问题,即某些模型收不到更新。通过将CFL建模为一个动力学系统的控制问题,他们提出使用路由干预来训练利用率不足的模型。在FEMNIST上的实验表明,这种方法可以从不利的起始条件下恢复可用的专业模型,其表现优于标准的CFL基线。

  4. RESEARCH · CL_320709 ·

    翻译培训项目迅速采用生成式AI工具

    对研究生翻译培训项目的调查显示,生成式AI工具被迅速采用,并且向基于云的软件转变。这项研究是在EMT网络下进行的,但有更广泛的参与,表明项目越来越多地将机器翻译、译后编辑和质量评估纳入其课程。这种演变还包括更加重视通用文件管理、数据安全和翻译数据的伦理考量,同时从传统的实验室转向学生个人设备。

  5. TOOL · CL_301279 ·

    新的机制激励联邦学习中的数据贡献

    一篇新的研究论文介绍了三种旨在激励联邦学习场景中数据贡献的机制。提出的方法 UPBReD、2P-UPBReD 和 T-2P-UPBReD,旨在确保战略数据所有者为共享模型的训练做出充分贡献。这些机制不仅鼓励参与,还同时学习模型参数,其中 T-2P-UPBReD 专门设计用于引发真实的贡献报告和近似梯度真实性,同时保持预算平衡。

  6. TOOL · CL_299765 ·

    新方法为序列式机器学习模型“遗忘”提供性能保证

    研究人员开发了一种新的机器学习模型“遗忘”认证方法,特别适用于序列式删除请求。该方法确保在数据被删除后,模型仍能保持接近于未包含该数据的重新训练模型的性能。所提出的反事实认证方法应用于平滑强凸目标函数,能够统一地限制任何数量删除请求(即使组大小不一)下的性能损失。在FEMNIST上的实验表明,该算法所需的纠正步骤更少,并且优于训练时差分隐私。

  7. TOOL · CL_280426 ·

    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。

  8. TOOL · CL_244694 ·

    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。

  9. RESEARCH · CL_193830 ·

    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。

  10. RESEARCH · CL_04908 ·

    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。