会员服务
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、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。其中，联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。
Optimizing Federated Learning in the Era of LLMs: Message Quantization and Streaming
Arxiv
0+阅读 · 11月20日
Federated Learning Survey: A Multi-Level Taxonomy of Aggregation Techniques, Experimental Insights, and Future Frontiers
Arxiv
0+阅读 · 11月27日
A Systematic Evaluation of Preference Aggregation in Federated RLHF for Pluralistic Alignment of LLMs
Arxiv
0+阅读 · 12月15日
Factor-Assisted Federated Learning for Personalized Optimization with Heterogeneous Data
Arxiv
0+阅读 · 11月26日
Meta-Computing Enhanced Federated Learning in IIoT: Satisfaction-Aware Incentive Scheme via DRL-Based Stackelberg Game
Arxiv
0+阅读 · 12月9日
Decentralized Fairness Aware Multi Task Federated Learning for VR Network
Arxiv
0+阅读 · 12月3日
Decentralized Fairness Aware Multi Task Federated Learning for VR Network
Arxiv
0+阅读 · 12月2日
Unveiling Hidden Threats: Using Fractal Triggers to Boost Stealthiness of Distributed Backdoor Attacks in Federated Learning
Arxiv
0+阅读 · 11月12日
MetaFed: Advancing Privacy, Performance, and Sustainability in Federated Metaverse Systems
Arxiv
0+阅读 · 11月5日
A Comparative Benchmark of Federated Learning Strategies for Mortality Prediction on Heterogeneous and Imbalanced Clinical Data
Arxiv
0+阅读 · 11月15日
When Federated Learning Meets Quantum Computing: Survey and Research Opportunities
Arxiv
0+阅读 · 11月14日
Federated Learning and Trajectory Compression for Enhanced AIS Coverage
Arxiv
0+阅读 · 12月3日
ProFL: Performative Robust Optimal Federated Learning
Arxiv
0+阅读 · 11月6日
Minimizing Layerwise Activation Norm Improves Generalization in Federated Learning
Arxiv
0+阅读 · 12月9日
Generic Algorithm for Universal TDM Communication Over Inter Satellite Links
Arxiv
0+阅读 · 11月11日
参考链接
微信扫码咨询专知VIP会员
Top