论文阅读：Federated Face Recognition

最新推荐文章于 2022-11-20 20:55:02 发布
最新推荐文章于 2022-11-20 20:55:02 发布
阅读量474 收藏 3
点赞数 2
分类专栏： 论文阅读 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43663979/article/details/118941984
版权

Federated Face Recognition

动机：关于人脸识别的安全性问题已经迫在眉睫
创新点：将联邦学习技术首次创新地应用于人脸识别
框架：FedFace：Partially Federated Momentum (PFM) and Federated Validation (FV)
PFM局部应用估计的等效全局动量来有效地逼近集中动量sgd
FV可以根据聚合模型在一些验证数据集上的性能安全地搜索好的权值。
在这里插入图片描述

它演示了一个由服务器、3个训练器和2个验证器组成的部署。黑色背景的方块是私人的，每个训练器用一组私有训练数据(1到4)对骨干和分类器进行训练，并定期将其模型与服务器同步(5)。我们将所有训练器的集合记为T，训练数据记为X1…|T|。对分类器(2和3)和骨干(4)的动量优化是不同的,服务器聚合所有的局部骨干变成一个全球骨干(6)和主保持全球动量(7)，然后将全球骨干和动量发送给每个训练器(8和9)，同时，服务器通过将其发送到验证器(10和11)来反复测试聚合的随机候选权重，如果找到更好的权重，则调整当前的权重(15)。每个验证器根据其私有评估数据(12和13)对从服务器接收到的模型进行评分，并重复发送回评分(14)。我们将所有验证器的集合记为V，评价数据记为Y1…| T|。
实验设计：
1.Backbones：以

最低0.47元/天 解锁文章
爱吃肉der小兔叽
关注
专栏目录
联邦学习方法调研
zjjaibc的博客
03-25 128
1.发展历程：2.本文聚合的具体方法见文 Aaw。
AI 可靠性论文整理
wallace_www的博客
09-25 5357
AI 可靠性论文整理鲁棒性 Robustness相关文献高优先级对抗样本设计与抵御鲁棒性评估其他鲁棒性研究次要优先级公平性 Fairness相关文献高优先级次要优先级可解释性 Explainability相关文献高优先级次要优先级可追溯性 Lineage相关文献名词解释 鲁棒性 Robustness 通过暴露和修复漏洞来确保AI系统的安全性和可靠性 识别并防御新的攻击 设计新的对抗性训练方...
federated-faceid：在设备上进行分布式私有学习的人脸识别
02-14
联合的FaceID 存储库包含在设备上进行分布式私人学习的面部识别概念的概念证明。 仍在进行中
Federated Learning for Face Recognition
qq_44703968的博客
11-19 399
随着深度学习的快速发展,人脸识别准确率显着提高。然而，训练人脸识别模型需要将私人数据收集到中央服务器，以获得所需领域的高性能。由于联邦学习是一种在不向服务器收集数据的情况下训练模型的技术，因此它是一种合适的架构，可以使用个人智能手机中保存的隐私敏感面部图像来训练面部识别模型。本研究提出了将联邦学习应用于人脸识别模型训练的策略。为了训练人脸识别模型，需要通过收集来自同一域的数据来构建训练数据集，即输入的分布。数据集构建的第一个选项是使用开放式面部数据集。网上有很多人脸数据集，每个数据集的数据量也足够大。
基于联邦学习的隐私约束下深度人脸识别无监督域适应研究
qq_44703968的博客
11-20 2013
无监督域自适应被广泛应用于推广目标域中无标记数据的模型，前提是源域中有标记数据，且其数据分布与目标域不同。然而，现有的工作由于需要在两个域之间共享敏感的人脸图像，因此不适用于隐私约束下的人脸识别。针对这一问题，我们提出了一种新的无监督联邦人脸识别方法(FedFR)。federfr通过联合学习迭代地聚合来自源域的知识，从而提高目标域中的性能。它通过在域之间传输模型而不是原始数据来保护数据隐私。此外，我们提出了一种新的域约束损失(DCL)来正则化源域训练。DCL抑制源域的数据量优势。
联邦学习
WangYouJin321的博客
04-07 1157
联邦学习 原文链接：https://blog.csdn.net/cao812755156/java/article/details/89598410 联邦学习简介 联邦学习（Federated Learning）是一种新兴的人工智能基础技术，在 2016 年由谷歌最先提出， 原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和 ...
通过与隐私无关的集群改进联合学习人脸识别
qq_44703968的博客
11-19 433
联邦学习 (FL) 范式可以极大地解决公众对人脸识别中数据隐私日益增长的担忧。然而，由于任务的独特性，传统的 FL 方法表现不佳：在客户端之间广播类中心对于识别性能至关重要，但会导致隐私泄露。为了解决隐私-效用悖论，这项工作提出了 PrivacyFace，这是一个框架，通过在客户端之间交流辅助信息和隐私不可知信息，极大地改进了联合学习人脸识别。PrivacyFace 主要由两个部分组成：首先，提出了一种实用的差分私有局部聚类 (DPLC) 机制，以从局部类中心提取经过净化的聚类。
顶会速递 | ICLR 2020录用论文全集
语言智能技术笔记簿
03-10 1万+
由深度学习三巨头Yoshua Bengio和Yann LeCun牵头创办的人工智能顶会ICLR今年最终收到2594篇投稿，共687篇论文被接收，其中48篇orals，108篇spotlights，531篇posters，录取率为26.5%，相比去年的31.4%略有下降。华人学者占比为47%。这篇博客为大家列出全部录用的论文列表，方便大家自取。
一周新论文 | 2020年第13周 | 自然语言处理相关
语言智能技术笔记簿
03-29 3867
《一周新论文》系列之2020年第13周：自然语言处理相关
AAAI 2022 论文列表
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
2020 IJCAI 接受论文 list 分类排列（一）
u014546828的博客
08-23 2万+
2020 IJCAI 接受论文 list （一） 2020 IJCAI 接受论文 list （二） 2020 IJCAI 接受论文 list （三） A Deep Reinforcement Learning Approach to Concurrent Bilateral NegotiationPallavi Bagga, Nicola Paoletti, Bedour Alrayes, Kostas Stathis A Multi-Objective Approach to Mitigat.
联邦学习：MOCHA框架
weixin_51306020的博客
08-12 2750
MOCHA主要是为了解决联邦学习中的系统难题和统计难题而提出的联邦学习框架。 MTL（多任务学习）通过学习每个节点的独立模型，利用任意的凸损失函数为每个节点训练出独立的权重向量。并且考虑节点模型间的相关性来解决联邦环境中的统计难题，并且提升样本容量，但是目前的MTL难以解决系统难题。 在集中环境分布式多任务训练模型CoCoA的基础上进行改进，本文提出联邦多任务学习框架MOCHA，为模型参数W开发有效的分布式优化更新方法。...
《Scalable and Communication-efficient Decentralized Federated Edge Learning with.....》精读
文杰的博客
04-29 602
Scalable and Communication-efficient Decentralized Federated Edge Learning with Multi-blockchain Framework 期刊: Communications in Computer and Information Science 这篇比较水,不建议 基本概念 FEL: Federated Edge Learning 联邦边缘学习 Infer Attack : 推理攻击 对于FL仅仅是传递参数,但是也可以
联邦学习入门
smartcat2010的博客
12-16 2997
原文 今天我们来讲下最近比较博眼球的联邦学习。应该很多人听过但是始终都没懂啥是联邦学习？百度一下发现大篇文章都说可以用来解决数据孤岛，那它又是如何来解决数据孤岛问题的？对于联邦学习，大部分文章还都处于其学术分享会的报道阶段，并未详细介绍联邦学习的实现方法，难以理解其真容，本篇文章将从技术角度介绍联邦学习。 1、联邦学习的背景介绍 近年来人工智能可谓风风火火，掀起一波又一波浪潮，从人脸识别、活...
联邦学习 - 基础知识+白皮书+杨强教授讲座总结+同态加密+ 差分隐私
热门推荐
柯同学要谦虚
10-06 2万+
联邦学习概念分类横向联邦学习纵向联邦学习联邦迁移学习优势 概念 联邦机器学习又名联邦学习，联合学习，联盟学习。联邦机器学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模 分类 针对不同数据集，联邦学习分为横向联邦学习（horizontal federated learning）、纵向联邦学习（vertical federated l...
详解联邦学习Federated Learning
hellozhxy的博客
04-22 6344
今天我们来讲下最近比较博眼球的联邦学习。应该很多人听过但是始终都没懂啥是联邦学习？百度一下发现大篇文章都说可以用来解决数据孤岛，那它又是如何来解决数据孤岛问题的？对于联邦学习，大部分文章还都处于其学术分享会的报道阶段，并未详细介绍联邦学习的实现方法，难以理解其真容，本篇文章将从技术角度介绍联邦学习。 1、联邦学习的背景介绍 近年来人工智能可谓风风火火，掀起一波又一波浪潮，从人脸识别、活体检验发现刑事案件报警到阿尔法狗大战人类围棋手李世石、再到无人驾驶、以及已被普遍应用的精准营销，AI逐步进入人们生活的方
横向联邦学习（Horizontal Federated Learning）VS 纵向联邦学习（Vertical Federated Learning）
Xiao_Bai_Ke的博客
02-27 1万+
1.横向联邦学习：适用于参与者的数据特征维度重叠较多的情形： 目的：增加训练数据的数据量 例如甲医院有患者：A，B，C；乙医院有患者C，D，F这六位患者，甲乙医院都有患者的身高，体重，血压，心跳等信息，那么进行联邦学习一个判断患者健康状况的模型时，就可以使用横向联邦学习： 示例： 2.纵向联邦学习：适用于参与者数据ID特征重叠较多的情形： 目的：增加参与者数据的数据维度 例如甲医院...
联邦学习最新研究趋势
喜欢打酱油的老鸟
03-14 3300
2020-03-13 09:48:18 在2019年大火的联邦学习，最新的研究进展怎么样了？ 文 | 蒋宝尚 编 | 贾 伟 联邦学习无疑是近期 AI 界最火爆的技术范式之一，在过去的2019年，涌现了大量联邦学习相关研究。 联邦学习是一个机器学习框架，它允许用户使用分布在不同位置的多个数据集来训练机器学习模型，同时防止数据泄露并遵守严格的数据隐私法规。 能够防止数据泄...
联邦学习：没有集中培训数据的协作机器学习
librahfacebook的博客
05-16 2084
本文翻译自Google AI Blog的Federated Learning: Collaborative Machine Learning without Centralized Training Data 标准机器学习方法需要将训练数据集中在一台机器或数据中心。Google已经构建了一个最安全，最强大的云基础架构来处理这些数据，从而使我们的服务更加完善。现在，对于通过用户与移动设备交互进行...
FedProto: Federated Prototype Learning across Heterogeneous Clients
最新发布
07-12
C知道: FedProto是一个基于异构客户端的联邦原型学习方法。它旨在解决联邦学习中异构数据和模型的挑战。FedProto采用了原型学习的思想，将每个客户端的数据聚类成不同的原型，并利用这些原型进行模型训练和聚合。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值