013 Dealing with Label Quality Disparity in Federated Learning(联邦学习中标签质量差异的处理)
![](/assets/blank.gif)
- 数据级:净化噪声标签 (1)使用小片的训练数据来生成多个模型,并为每个输入生成临时标签,用于确定是否存在噪声标签;(2)设计了拜占庭鲁棒聚合器,以防御对卷积神经网络的 标签翻转数据中毒攻击;(3)数据净化的联邦方法仍然容易受到数据中毒攻击
- 算法级:训练容忍噪声的模型(1)从理论角度研究了标签噪声对二值分类的影响,提出了一个简单的加权代理损失来建立一个强有力的经验风险界(2)由于深度学习模型很容易对标签噪声进行过拟合,提出使用元学习( Meta Learning 元学习或者叫做 Learning to Learn 学会学习 Artificial Intelligence --> Machine Learning --> Deep Learning --> Deep Reinforcement Learning --> Deep Meta Learning)训练深度模型,在常规梯度更新之前生成合成噪声标签来更新模型(3)都需要访问原始数据,不能直接应用于联邦学习
![](/assets/blank.gif)
013 Dealing with Label Quality Disparity in Federated Learning(联邦学习中标签质量差异的处理)相关推荐
- 论文 ❀《评价联邦学习中梯度泄漏攻击的框架》- A Framework for Evaluating Gradient Leakage Attacks in Federated Learning
摘要 联合学习(FL)是一个新兴的分布式机器学习框架,用于与客户网络(边缘设备)进行协作式模型训练.联合学习允许客户将其敏感数据保存在本地设备上,并且只与联合服务器共享本地训练参数更新,从而默认客户隐 ...
- 【阅读笔记】Towards Personalized Federated Learning个性化联邦综述
文章目录 前言 1 背景 1.1 机器学习.联邦学习 1.2 促进个性化联邦学习的动机 2 个性化联邦学习的策略 2.1 全局模型个性化 2.1.1 基于数据的方法 2.1.1.1 数据增强 Data ...
- 联邦学习(Federated Learning)介绍
参考资料: Tensorflow官网教程:https://www.tensorflow.org/federated/ 联邦学(federated learning)习生态:https://cn.fed ...
- 【全文翻译】How to Backdoor Federated Learning
How to Backdoor Federated Learning I.INTRODUCTION II.RELATED WORK III.FEDERATED LEARNING IV.ATTACK O ...
- 【论文阅读】FcgFed《Feature-Contrastive Graph Federated Learning: Responsible AI in Graph Information Analy
针对问题: 图联邦学习中非独立同分布数据造成的局部模型之间的权重差异. 解决方案: 1.设计了一个FcgFed学习系统的架构来分析图信息 系统架构由三部分组成:通信器,数据加载器,核心.通信包为服务器 ...
- 详解联邦学习Federated Learning
今天我们来讲下最近比较博眼球的联邦学习.应该很多人听过但是始终都没懂啥是联邦学习?百度一下发现大篇文章都说可以用来解决数据孤岛,那它又是如何来解决数据孤岛问题的?对于联邦学习,大部分文章还都处于其学术 ...
- 《DBA: DISTRIBUTED BACKDOOR ATTACKS AGAINST FEDERATED LEARNING》阅读笔记
DBA: DISTRIBUTED BACKDOOR ATTACKS AGAINST FEDERATED LEARNING ** 本文发在ICLR 2020,针对联邦学习进行的后门攻击.其提出的方案针对 ...
- 【Paper Reading】Privacy-Preserving Aggregation in Federated Learning: A Survey
Privacy-Preserving Aggregation in Federated Learning: A Survey 原文来源:[Arxiv2022] Privacy-Preserving A ...
- No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data
在开始之前讲一下论文的大致思想:论文作者发现在联邦学习中,分类器的差数差异巨大,在聚合参数之后,分类器效果不好,因此想要对分类器进行修正.使用客户端所有的特征提取器的feature和标签来修正是一种不 ...
最新文章
- 端口扫描程序nmap使用详解
- 编程疑难杂症の怪诞的【黄色警告】
- Windows 系统下通过命令将本地文件上传至远程 Linux 主机的指定目录下
- 深和jsonp【转】 jsonpk跨域问题详解
- DB2 sql报错后查证原因与解决问题的方法
- 贪吃蛇c语言判断没有输入,贪吃蛇问题
- python3 shell,python3执行shell命令
- 指针数组与二维数组指针的本质区别
- 如何使用Windows事件查看器和微软知识库解决问题
- 程序员显示器,32寸宜2K分辨率
- python使用opencv_玩转Python图片处理 (OpenCV-Python )
- 波卡Polkadot
- Spring Boot 入门系列(二十八) JPA 的实体映射关系,一对一,一对多,多对多关系映射!...
- SM4加密算法原理以及C语言实现
- Android测试能不能用monk,Android之monkey Test
- 内存溢出————举例分析dump下的hprof文件
- 中国半导体芯片产业布局图(2022版)-爱普搜汽车
- Windows上安装MySQL数据库(完整版)
- 关于常用 软件授权 Licence说明
- 反射弧包括那些组成部分_反射弧的组成部分包括