研究背景: 图神经网络(Graph Neural Networks,GNNs)在建模图数据方面具有优越性,而联邦学习(Federated Learning)使得客户端能够在分布式环境中训练强大的GNN模型,而无需共享私有数据。然而,在联邦系统中存在一个核心挑战,即非独立同分布(Non-IID)问题,这个问题在现实世界的图数据中也普遍存在。 在图神经网络中,基于结...
【联邦学习论文】ShapleyFL: Robust Federated Learning Based on Shapley Value Cherubin无关风月 中国科学技术大学 信息与通信工程硕士在读 13 人赞同了该文章 沙普利值Shapley Value(SV)是一个衡量每个玩家在合作博弈论中的贡献的概念。它已被证明是满足贡献分配的四个期望属性的唯一方法:平衡性、对称性(如...
论文信息 论文标题:Federated Learning from Pre-Trained Models: A Contrastive Learning Approach论文作者:Yue Tan, Guodong Long, Jie Ma, Lu Liu, Tianyi Zhou, Jing Jia
此外,每个工作者的平均数据样本数远大于参与训练过程的工作者数,这与数据大规模分布的联邦环境不同。 分布式集成学习(Distributed Ensemble Learning) 也被称作Committee-based Learning,是一种多个学习者(例如:分类器、回归器)结合起来协作改善整体表现的学习方式。该方案中,数据集的不同部分被分配去训练不同的模型,然...
首先先下载原论文一睹为快吧。 Robust and Communication-Efficient Collaborative Learning 作者:Qiang Yang,Yang Liu,Tianjian Chen 等 DOI:https://doi.org/10.1145/3298981 摘要 如今AI依然面临两个主要挑战。一是在大多数行业中,存在数据孤岛问题。另一个是加强数据隐私性和安全性。我们...
论文翻译 | Advances and Open Problems in Federated Learning 1,人工智能领域发展越发迅速,但是人工智能安全问题、数据孤岛问题也日益严重
Federated Learning是一种分布式机器学习,提供规模和隐私方面的优势。本篇论文提出一种框架,通过每个用户的域适应来增强协作模型。这个模型当有差分隐私限定的时候,对FL模型改进的效果非常明显。 本论文考虑的是个人数据来自不同域的设定,因为通常每个用户的数据集有一个与别的用户数据集不同的产生过程。论文的Section ...
论文作者还没有讲解视频 邀请直播讲解 Federated Learning (FL) has emerged as a promising distributed learning paradigm that enables multiple clients to learn a global model collaboratively without sharing their private data. However, the effectiveness of FL is highly dependent on the quality of the dat...
当以“federated personal”为关键词,在 dblp 上进行文献检索的时候,会发现个性化联邦学习(PFL, Personalized Federated Learning)的研究在2021年的有明显增加。 经小鱼的查询,至22年4月16日针对个性化联邦学习的综述文章仅两篇[1][2],其中...
联邦学习论文阅读:Federated meta-learning for recommendation 2018年fb的文章Federatedmeta-learningfor recommendation的阅读笔记 想法 用元学习的方法解决少数据的问题,并用差分隐私保护用户的隐私性 这篇文章作者声称有两点创新,一是meta-learning在算法层面,二是用联邦学习保护用户隐私。但文章中的算法A与之前工作没有...