#联邦学习

共 9 篇相关文章

最新研究系统分析联邦深度伪造检测中Grad-CAM解释忠实度，发现联邦训练与解释质量呈非单调关系：中等异质性下可匹配中心化基线，极端异质性下解释崩溃且因果误导，为安全部署提供阈值预警。

本文介绍一种信息论安全聚合方案，解决联邦学习中客户端异构量化带来的隐私泄露问题。该方案利用阈值秘密共享，容忍掉线和共谋，确保服务器仅获得聚合总和而不泄露单个更新。

PCHMR基准用联邦学习与安全聚合训练人体网格恢复（HMR）模型，在不集中原始图像的前提下评估性能退化，并提出DePoser本地标注与微调流水线提升个性化精度。

FedPCD 提出优先约束的联邦优化框架，将全局目标与客户端保护解耦，在异质联邦学习基准上实现最高全局精度、领先的弱势客户端表现和更快收敛，破解联邦学习公平性困局。

一篇arXiv新论文提出面向车载CAN总线的异常检测框架，结合时序Transformer编码器与联邦轻量级检测头，在保护数据隐私的同时实现高效、稳健的异常识别，为智能网联汽车网络安全提供新思路。

arXiv最新研究提出Robust Async-Fed-Q算法，解决联邦强化学习中部分智能体恶意污染数据的问题。通过方差缩减估计与鲁棒聚合，在容忍对抗攻击的同时保留协作样本效率，并给出首个近似匹配的上下界理论保证。

本文解读一项关于联邦变分不等式（Federated Variational Inequalities）的最新研究，探讨如何通过对Local Extra SGD算法的精细化分析，建立更紧的收敛速率，缩小与联邦凸优化之间的理论差距。

本文解析半监督联邦学习在自动语音识别（ASR）中的实用方案，重点探讨在线伪标签与服务端更新稳定化两大设计维度，剖析ASR为何脆弱以及如何缩小与全监督联邦学习的性能差距。

NVIDIA FLARE开源联邦学习框架支持跨Docker、Kubernetes与Slurm部署，解决异构基础设施下的FL扩展难题，助力医疗、金融等隐私敏感行业从原型走向生产落地。