UCI Human Activity Recognition
PulseAugur coverage of UCI Human Activity Recognition — every cluster mentioning UCI Human Activity Recognition across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的CABA方法确保模型更新不会损害受保护的行为
研究人员推出了一种名为“持续适应的认证行为保留”(CABA)的新型更新后门,用于管理持续学习场景中的模型更新。CABA通过保留历史数据并比较旧策略和候选策略,确保提出的模型更改不会超出改变受保护行为的指定预算。该方法提供了一个可审计的保留检查,理论上将测量的锚点保留与非锚点保证分离开来,并在对照研究中显著减少了遗忘。
-
新论文发现:车辆中的联邦学习会泄露客户端身份
一项新的研究论文探讨了车辆边缘网络中联邦学习(FL)的隐私漏洞。研究表明,即使在数据匿名化的情况下,也可以通过传输的模型更新以高精度推断出客户端身份。研究人员提出了一种轻量级的防御机制,包括裁剪和添加高斯噪声,这在对模型性能影响最小的情况下显著降低了攻击的准确性。还建议将集成式联邦学习作为增强隐私的补充方法。
-
新的向后相干性理论改进了RNN稳定性
研究人员开发了一个名为向后相干性的新理论框架,用于分析循环神经网络(RNN)中的隐藏状态稳定性。该方法将隐藏状态序列视为一个拟反鞅,从而能够实现更稳定和可解释的表示。模拟和真实数据研究表明,该方法可以显著提高稳定性,减少跟踪误差,并提高预测精度,尤其是在概念漂移的情况下。
-
开发出面向移动设备的注重隐私的联邦推荐系统
研究人员开发了一种新颖的两阶段联邦推荐系统,专为移动设备设计,并优先考虑用户隐私。该系统将敏感的移动上下文数据与非敏感的偏好数据分开,确保高度个人信息保留在用户设备上。基于云的协同过滤模型生成初步推荐,然后使用本地敏感数据进行设备端优化,仅传输模型更新。