近年来, 人类社会快速步入大数据时代, 数据安全与隐私保护已成为发展大数据生态及相关数字
经济的关键问题. 联邦学习作为分布式机器学习的一种新范式, 致力于在保护数据隐私的同时从 …

联邦学习与区块链在应用领域, 架构特点, 隐私保护机制等方面具有很强的共性,
互补性和契合度, 近年来, 一些研究与应用将两种技术结合起来, 在数据隐私保护强度 …

联邦学习(FL) 是一种能够实现用户数据不出本地的新型隐私保护学习范式. 随着相关研究工作的
不断深入, FL 的单点故障及可信性缺乏等不足之处逐渐受到重视. 近年来 …

联邦学习是一种革命性的深度学习模式, 可以保护用户不暴露其私有数据,
同时合作训练全局模型. 然而某些客户端的恶意行为会导致单点故障以及隐私泄露的风险 …

联邦学习是一种新兴的保护隐私的机器学习算法, 它正在广泛应用于工业物联网(IIoT) 中,
在联邦学习中中心服务器协调多个客户端(如物联网设备) 在本地训练模型, 最后融合成一个全局 …

摘要随着云存储, 人工智能等技术的发展, 数据的价值已获得显著增长. 但由于昂贵的通信代价和
难以承受的数据泄露风险迫使各机构间产生了“数据孤岛” 问题, 大量数据无法发挥它的经济价值 …

Decentralized learning involves training machine learning models over remote mobile
devices, edge servers, or cloud servers while keeping data localized. Even though many …

随着数据孤岛现象的出现和个人隐私保护的重视, 集中学习的应用模式受到制约,
而联邦学习作为一个分布式机器学习框架, 可以在不泄露用户数据的前提下完成模型训练 …

With the rapid development of machine learning and growing concerns about data privacy,
federated learning has become an increasingly prominent focus. However, challenges such …