Quadratisches Abstimmen in föderiertem Lernen zur Verbesserung der Robustheit gegen Vergiftungsangriffe
Durch den Einsatz von quadratischem Abstimmen (Quadratic Voting) anstelle des Prinzips "eine Person, eine Stimme" (One Person, One Vote) kann die Verwundbarkeit föderierter Lernverfahren gegenüber Vergiftungsangriffen reduziert werden.
Fedstellar: Eine Plattform für dezentralisiertes föderiertes Lernen
Fedstellar ist eine Plattform, die es ermöglicht, Lernmodelle in einem dezentralisierten, halb-dezentralisierten und zentralisierten Umfeld über verschiedene Föderationen physischer oder virtueller Geräte hinweg zu trainieren.
Effiziente und datenschutzfreundliche föderierte primal-duale Lernmethode für nicht-konvexe und nicht-glatte Probleme mit Modellsparsamkeit
Eine neuartige föderierte primal-duale Lernmethode mit bidirektionaler Modellsparsamkeit, die für nicht-konvexe und nicht-glatte föderierte Lernprobleme entwickelt wurde und gleichzeitig den Datenschutz gewährleistet.
Effiziente Berechnung und Kommunikation durch leichtgewichtige vertikale föderierte Lernen
Das Konzept des leichtgewichtigen vertikalen föderativen Lernens (LVFL) wird eingeführt, um sowohl die Rechen- als auch die Kommunikationseffizienz zu verbessern.
Effiziente Auswahl von Kunden für föderiertes Lernen durch Gradientenprojektion
GPFL misst den Wert eines Kunden, indem es die lokale und globale Abstiegsrichtung vergleicht. Es verwendet auch einen Exploit-Explore-Mechanismus, um die Leistung zu verbessern.
Adaptive Kodiertes Föderiertes Lernen: Datenschutzerhaltung und Vermeidung von Nachzüglern
Das adaptive kodierte föderierte Lernen (ACFL) entwickelt eine adaptive Richtlinie zum Bestimmen der Aggregationsgewichte, um die Leistung in Bezug auf Datenschutz und Lernen zu optimieren.
Ein semi-dezentralisierter föderierter Lernalgorithmus zur Bewältigung von Nicht-IIDheit in IoT-Systemen
FedSR ist ein semi-dezentralisierter, hierarchischer föderierter Lernrahmen, der die Auswirkungen von Datenheterogenität abmildern und in großem Maßstab in IoT-Systemen eingesetzt werden kann.
Faire und effiziente Aufgabenverteilung für föderiertes Lernen über mehrere Server in drahtlosen Netzwerken
Das Ziel ist es, die zeitlich gemittelte Kosten eines drahtlosen Mehrserver-Föderationslernnetzwerks (WMSFLN) zu minimieren, während die Fairness bei der Aufgabenverteilung an die Föderationsserver sichergestellt wird.
HeteroSwitch: Charakterisierung und Beherrschung systeminduzierter Datenheterogenität im föderierten Lernen
Systeminduzierte Datenheterogenität beeinträchtigt die Leistung von FL-Modellen und erfordert spezifische Lösungen.
Lotto: Sichere Teilnehmerauswahl in Föderiertem Lernen gegen adversäre Server
Lotto ermöglicht sichere Teilnehmerauswahl in Föderiertem Lernen gegen adversäre Server.
© 2024 by Linnk AI