![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
联邦学习
文章平均质量分 95
友好的Spider-man
这个作者很懒,什么都没留下…
展开
-
Federated Learning of Multi-branch Networks from Periodically Shifting Distributions
在联合学习(FL)中,许多客户端在中央服务器的协调下,利用去中心化的数据协同训练机器学习模型(Kairouz等人,2019)。FL是为保护隐私而设计的:本地客户端的私有数据永远不会直接传输到服务器或与其他客户端共享,这遵循了数据最小化的原则,并使系统的攻击面保持较小(Wang等人,2021)。FL最初是为了在移动设备上进行分散式培训而引入的(McMahan等人,2017年),它已广泛应用于各种不同的应用,包括金融、健康、数字援助和个性化建议(参见一些最近的调查(Yang等人,2019年;原创 2023-01-14 22:18:04 · 220 阅读 · 0 评论 -
FedRecover: Recovering from Poisoning Attacks inFederated Learning using Historical Information
联邦学习很容易在中毒攻击上中招,恶意客户端通过向服务器发送恶意模型更新来毒害全局模型。现有的防御主要集中在通过健壮的联邦学习方法防止少量恶意客户端毒害全局模型,以及在恶意客户端大量存在时检测恶意客户端。然而,在检测到恶意客户端后,如何从中毒攻击中恢复全局模型仍然是一个开放的挑战。一个简单的解决方案是删除检测到的恶意客户端,并使用剩余的客户端从头训练一个新的全局模型。然而,这种从头开始的恢复方法会产生巨大的计算和通信成本,对于智能手机和物联网设备等资源受限的客户端来说,这可能是无法忍受的。 在这原创 2022-12-04 21:19:29 · 1055 阅读 · 2 评论