联邦学习方法调研

最新推荐文章于 2024-09-22 22:53:38 发布
最新推荐文章于 2024-09-22 22:53:38 发布
阅读量123 收藏
点赞数 1
文章标签： 深度学习 人工智能
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/zjjaibc/article/details/129766593
版权
本文深入调研了联邦学习在不同场景的应用，包括基于差分隐私保护的不均衡数据处理，自适应聚合权重的肺结节CT图像分类，以及人脸检测。其中，差分隐私通过在梯度中添加高斯噪声确保数据隐私；自适应聚合权重优化了联邦学习的效率；FedFV则在人脸检测中展现出优势。这些研究展示了联邦学习在保护数据隐私和提升模型性能方面的潜力。
摘要由CSDN通过智能技术生成

一、基于差分隐私保护的不均衡数据联邦学习方法19--黄茜茜

1.

 

2.发展历程：

 3.本文相关

了解本专栏 订阅专栏 解锁全文 超级会员免费看
_Ocean__
关注
专栏目录
订阅专栏
论文阅读：Federated Face Recognition
qq_43663979的博客
07-20 459
这里写自定义目录标题Federated Face Recognition 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。 FedFa
Federated Learning for Face Recognition
qq_44703968的博客
11-19 384
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。
联邦学习调研报告
ahdaizhixu的博客
07-02 861
文章目录1. 联邦学习1.1 数据孤岛1.2 联邦学习背景1.3 联邦学习的概念及作用1.4 联邦学习分类1.4.1 横向联邦学习（Horizontal Federated Learning）1.4.1.1 概念1.4.1.2 学习过程1.4.2 纵向联邦学习（Vertical Federated Learning）1.4.2.1 概念1.4.2.2 学习过程1.4.3 联邦迁移学习（Federated Transfer Learning，FTL）1.4.3.1 概念1.4.3.2 学习过程2. 金融风控常
区块链与联邦学习综述
热门推荐
E_chos的博客
12-20 2万+
本期分享的论文是由Dinh C. Nguyen等人在2021年发表在IEEE Internet of Things Journal的文章《Federated Learning Meets Blockchain in Edge Computing Opportunities and Challenges》。
联邦学习开源框架调研
user_lib的博客
01-29 5780
1. FATE FATE 是微众银行人工智能部门发起的一个开源项目，旨在提供一个安全的计算框架来支持联合人工智能生态系统。它实现了多种安全计算协议，以实现大数据协作与数据保护法规合规性。凭借模块化的可扩展建模流水线、清晰的可视化界面和灵活的调度系统，FATE 获得了开箱即用的可用性和出色的运行性能。 FATE项目使用多方安全计算 (MPC) 以及同态加密 (HE) 技术构建底层安全计算协议，以此支持不同种类的机器学习的安全计算，包括逻辑回归、基于树的算法、深度学习和迁移学习等。 功能：全面，同时覆盖横
联邦学习的威胁都有哪些
武天旭的博客
02-04 2146
一、联邦学习攻击的一些概念 在机器学习任务中，参与方通常会扮演三种不同的角色： ● 输入方，如数据的原始拥有者； ● 计算方，如模型建立者和推理服务提供者； ● 结果方，如模型查询者和用户； 对机器学习系统的攻击可能在任何阶段发生，包括数据发布、模型训练和模型推理。 在模型训练阶段，发生的攻击叫作重构攻击。计算方的目的是重构数据提供者的原始数据，或者学习关于数据的更多信息，而不是最终模型所提供的信息。重构攻击是联邦学习的主要隐私关注点。
联邦学习笔记（二）
feng_zhiyu的博客
09-02 1万+
本文首发于https://yu-feng.top/ 写在前面 ​ 参考文献《Advances and Open Problems in Federated Learning, 2019》，58位作者的105页文章。笔者当前花了一些时间来阅读这篇论文，由于能力有限，只做一些感兴趣点的记录和分析。另引用内容见文末参考文献，如侵权请联系笔者。欢迎讨论~ Advances and Open Problems in Federated Learning, 2019 摘要 ​ 联合学习（FL）是在中央服务器（例如服务提
联邦学习应用研究现状及发展趋势
SmartLab307的博客
09-26 1583
本文章主要参考第32届国际人工智能联合会议（IJCAI）上由清华大学人工智能研究院知识工程研究中心（KEG）、北京智谱华章科技有限公司、开放群岛开源社区联合编写的《2023联邦学习全球研究与应用趋势报告》，对重点内容进行总结提炼，并介绍部分学习资料，旨在帮助对联邦学习感兴趣的学习者更快了解其研究现状及未来可能的发展趋势。
联邦学习笔记（一）
feng_zhiyu的博客
09-02 3910
本文首发于https://yu-feng.top/ 写在前面 笔记主要参考《Federated Machine Learning Concept and Applications》和《联邦学习》。作为一个入门笔记，可以当作是论文译文也可以作为进一步学习的框架。按照该论文做的一个框架，同时尽量将《联邦学习》书中部分内容进行整合，当然最好是能够利用好这本书相关研究内容。 摘要 当今人工智能仍然面临两大挑战： 在大多数工业中，数据以 “孤岛”形式存在 加强数据隐私和安全问题 针对上述挑战提出可能的解决方法：
调查联邦学习策略肺炎图像分类
07-23
### 调查联邦学习策略肺炎图像分类 #### 摘要与背景 本文探讨了在医疗健康领域中，联邦学习作为一种新兴技术如何应用于肺炎X射线图像的分类任务，并评估了其解决隐私问题的能力。研究中比较了联邦训练与传统集中式...
联邦学习综述：概念与应用
cherreggy的博客
12-21 1945
联邦学习：概念与应用 2019 ACM Transactions on Intelligent Systems and Technology, Hongkong 现在的人工智能仍然面临两个挑战：数据孤岛和数据安全。本文介绍一种综合型安全联邦学习框架，包括水平联邦学习、垂直联邦学习和联邦迁移学习。这里介绍定义、结构和应用，提供了相关工作的调研。 简介 人工智能发展迅速，但是逐渐显现其缺陷。在很多领域中，数据都是有限的，而且质量不高，因此可以考虑将不同组织的数据进行融合并公用。 由于企业竞争、隐私和复杂的管
深度学习速通系列：什么是文本数据标注
Ven%的博客
09-22 360
标注过程中可能需要使用多种工具和方法，完成后还需进行质量检查和验收，最终将数据转换为适合模型使用的格式并进行交付。整个过程需要细致的态度和严谨的流程，以确保数据的质量和模型的性能。文本数据标注是机器学习和人工智能领域中的一个重要环节，它涉及将文本中的信息进行分类、识别和标记，以便机器学习模型能够更好地理解和处理这些数据。标注后的数据通常用于训练机器学习模型，如自然语言处理（NLP）模型，以提高模型在文本分类、情感分析、问答系统等任务上的性能。
深度学习02-pytorch-03-张量的数值计算
weixin_41645791的博客
09-19 464
张量是多维数组的泛化，广泛应用于深度学习和数值计算。通过基本的算术操作、线性代数运算、维度操作等，我们可以高效地处理大规模数据。同时，PyTorch 还支持自动微分和 GPU 加速，这使得它在深度学习领域非常流行。
cnn机器学习时python版本不兼容报错
最新发布
所念皆星河
09-22 75
A module that was compiled using NumPy 1.x cannot be run in NumPy 2.1.1 as it may crash. To support both 1.x and 2.x versions of NumPy, modules must be compiled with NumPy 2.0. Some module may need to rebuild instead e.g. with 'pybind11>=2.12'.
《深度学习》卷积神经网络CNN 原理及其流程解析
wx_AHao1004Y的博客
09-22 737
卷积核也称为滤波器或特征检测器，在CNN中，卷积核是一个小的矩阵或张量，它通过与输入的图像进行卷积操作来提取图像中的特征。卷积操作可以看作是将卷积核与输入数据的某一部分进行点积运算，然后将结果相加得到一个输出值。卷积核的大小通常是正方形的，并且由多个通道组成，其中每个通道对应一个特征。例如，可以有一个大小为3x3x3的卷积核，其中3x3表示卷积核的空间大小，3表示输入图像的通道数。
深度学习02-pytorch-08-自动微分模块
weixin_41645791的博客
09-19 698
PyTorch 的自动微分机制通过autograd实现，用户只需要将张量的设置为True，在执行反向传播时，PyTorch 会自动计算张量的梯度。通过自动构建计算图，autograd能够跟踪张量上的所有操作，动态计算梯度，极大地方便了深度学习模型的训练。
【深度学习】（4）--卷积神经网络
m0_74896766的博客
09-22 842
本篇介绍了卷积神经网络的结构以及它的优点： 1. 卷积神经网络能够将变换的物体识别出来。 2. 卷积神经网络的结构：由输入层、卷积层、激活层、池化层、全连接层、输出层组成。 3. 什么是感受野。
基于深度学习的因果推理与决策
weixin_42605076的博客
09-17 1223
是一个将因果推理理论与深度学习技术结合，旨在从数据中学习因果关系并基于此做出最优决策的领域。因果推理不仅关注变量之间的相关性，还侧重于发现变量之间的因果关系，而这些因果关系是决策系统做出有效决策的关键。
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

打赏作者

_Ocean__

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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