![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
联邦学习
文章平均质量分 80
HenrySmale
张恒汝,博士,西南石油大学教授,硕士生导师,机器学习研究中心副主任,四川省学术和技术带头人后备人选,四川省通信管理局工业互联网领域入库专家,教育部产学合作协同育人项目入库专家,CCF、ACM会员,CAAI粒计算与知识发现专委会委员。
展开
-
论文笔记:No Fear of Heterogeneity-Classifier Calibration for Federated Learning with Non-IID Data
通过大量篇幅来分析问题,通过实验去发现问题,然后分析问题,最后提出自己的解决方案。解决方案写得比较简短,说明了方案的名称,达到的目的。原创 2023-05-24 10:24:49 · 135 阅读 · 1 评论 -
论文笔记:Model-Contrastive Federated Learning
论文:Model-ContrastiveFederatedLearning相关链接:本文主要是将SimCLR对比学习的思想迁移到联邦学习中,关于SimCLR的介绍见。原创 2023-04-28 17:35:55 · 854 阅读 · 0 评论 -
一文重新认识联邦学习
人工智能助力抗疫又添新场景。据报道,英国剑桥爱登布鲁克医院(Addenbrooke’s Hospital)与全球20家医院和医疗科技中心联合医疗科技领军企业英伟达采用人工智能预测新冠肺炎患者从抵院急救起24小时内的氧气需求量。 该研究的一大亮点在于采用了联邦学习技术分析了全球约10,000名新冠患者的数据,成为迄今为止规模最大,范围最广的联邦学习临床研究之一。参与研究的多位专家表示,联邦学习不仅在医疗领域设立了全新标准,更可以让各行各业在不牺牲隐私的前提下打造强大的人工智能模型。 作为隐私计算技术的主要路径转载 2022-02-13 10:32:21 · 237 阅读 · 0 评论 -
联邦学习--数据攻击(2)
参考论文:See through Gradients: Image Batch Recovery via GradInversion(CVPR 2021 ) 源代码: 核心思想:解决了Deep Leakage from Gradients(NeurIPS 2019)中batch大于1效果无效的情况。 缺点: 1 问题定义 训练深度神经网络需要从数据批次中进行梯度估计以更新参数。每个参数的梯度在一组数据上取平均值,这被认为对于联合、协作和联合学习应用程序中的隐私保护训练是安全的。之前的工作只显示了在非常严格的原创 2021-12-19 09:35:10 · 494 阅读 · 0 评论 -
联邦学习--数据攻击(1)
参考论文:Deep Leakage from Gradients原创 2021-12-18 11:07:43 · 1339 阅读 · 0 评论 -
推荐系统--安全联邦矩阵分解(7)
相关论文: Secure Federated Matrix Factorization 1 摘要 为了保护用户隐私和满足法律法规,联邦(机器)学习近年来获得了广泛的关注。 联邦学习的关键原则是在不需要知道每个用户的个人原始隐私数据的情况下训练机器学习模型。 在本文中,我们提出了联邦学习设置下的安全矩阵分解框架,称为 FedMF。 首先,我们设计了一个用户级分布式矩阵分解框架,当每个用户仅将梯度信息(而不是原始偏好数据)上传到服务器时,可以学习模型。 虽然梯度信息看起来很安全,但我们证明它仍然可能泄露用户的原原创 2021-12-18 09:44:53 · 2919 阅读 · 0 评论 -
推荐系统--联邦学习下的矩阵分解(6)
9 联邦学习 10 应用于联邦学习的矩阵分解原创 2021-12-15 15:38:25 · 1358 阅读 · 0 评论 -
什么是联邦学习
联邦学习 1.1 联邦学习的概念 历史:联邦学习最早在 2016 年由谷歌提出,原本用于解决安卓手机终端用户在本地更新模型的问题; 本质:联邦学习本质上是一种分布式机器学习技术,或机器学习框架。 目标:联邦学习的目标是在保证数据隐私安全及合法合规的基础上,实现共同建模,提升AI模型的效果。 联邦学习的架构分为两种,一种是中心化联邦(客户端/服务器)架构,一种是去中心化联邦(对等计算)架构。 针对联合多方用户的联邦学习场景,一般采用的是客户端/服务器架构,企业作为服务器,起着协调全局模型的作用; 针对联合多原创 2021-12-17 10:02:06 · 5414 阅读 · 0 评论