Krum
PulseAugur coverage of Krum — every cluster mentioning Krum across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
联邦学习基准揭示聚合方法的漏洞
研究人员开发了一个基准来评估各种攻击场景下的联邦聚合方法，包括模型投毒和后门攻击。该研究分析了五个数据集和四种条件下的五种聚合方法，发现在干净的条件下 Trimmed Mean 表现最佳，而在符号翻转和高斯攻击下 Krum 表现最佳。分析还指出了 FedPARETO 框架和 BadNets 指标实现的潜在差异，表明当前评估实践存在局限性。
-
新研究探索先进的联邦学习技术 · 跟踪10个来源
2026年8月在arXiv上发表的多篇研究论文介绍了增强联邦学习（FL）和去中心化FL的新方法。这些方法解决了多模态FL中的模态缺失（Flux）、非凸复合优化（DEPOSITUM）、对抗隐形攻击者的鲁棒声誉机制（R2CFL）、用于收敛的自适应层级学习率（FedA2L）、平衡数据质量和数量（FedTVD）、非IID数据的基于损失的加权（FedLBW）、绕过聚合防御（Krum-Proxy攻击）、子模型FL中的容量分配（HAS-FL）、基于…
-
联邦学习通过鲁棒的个性化技术推动飞机发动机预测发展
研究人员开发了一种联邦学习方法，用于在解决良性和对抗性数据异质性的同时训练飞机发动机预测模型。该研究在 C-MAPSS 基准数据集上使用多任务一维卷积神经网络，评估了良性异质性的方法，发现共享表示的个性化显著提高了模型准确性。对于对抗性场景，后门攻击在标准平均法上显示出很高的成功率，凸显了明确安全评估的必要性。Krum 聚合方法被证明能有效降低攻击成功率并抵御协调攻击者，尤其是在与个性化结合时，实现了鲁棒的性能且准确性损失最小。
-
FoggyTrust 利用分层信任网络增强联邦学习的鲁棒性
研究人员开发了 FoggyTrust，这是 FLTrust 框架的一种新颖的分层扩展，旨在增强联邦学习的鲁棒性。这种新方法将信任计算本地化到雾节点，从而在保持本地客户端组内鲁棒性的同时，更有效地处理全局异构数据。FoggyTrust 结合了基于信任的本地聚合和异构感知优化器（如 FedAdam 和 SCAFFOLD），在具有挑战性的异构数据集（如 CIFAR-10）上，尤其是在特定攻击下，表现出显著的性能提升。