Differentially Private Federated Learning: A Client Level Perspective
介紹 我們的目標並不是只保護數據。相反，我們希望確保一個學習模型不會顯示客戶是否參與了分散的培訓。這意味着客戶機的整個數據集受到保護，不受來自其他客戶機的差異攻擊。 我們的主要貢獻:首先，我們展示了在聯合學習中保持較高的模型性能時，客戶機的參與是可以隱藏的。我們證明了我們提出的算法可以在模型性能損失很小的情況下實現客戶級差異隱私。與此同時發表的一項獨立研究[6]提出了一個類似的客戶級dp程序。然而
相關文章
- 1. Differentially Private Federated Learning: A Client Level Perspective
- 2. Differentially Private Asynchronous Federated Learning for Mobile Edge Computing in Urban Informatic
- 3. Machine Learning A Probabilistic Perspective 1.Introduction
- 4. A Distributional Perspective on Reinforcement Learning
- 5. Note: Differentially Private Access Patterns for Searchable Symmetric Encryption
- 6. 論文筆記Client-Edge-Cloud Hierarchical Federated Learning
- 7. 【資源】Machine Learning A Bayesian_and Optimization Perspective(MLBOP)
- 8. SecureBoost: A Lossless Federated Learning Framework論文筆記
- 9. Federated Learning: 相關
- 10. [轉載] Conv Nets: A Modular Perspective
- 更多相關文章...
- • ASP ServerVariables 集合 - ASP 教程
- • PHP xml_parse_into_struct() 函數 - PHP參考手冊
- • 算法總結-廣度優先算法
- • Java Agent入門實戰（三）-JVM Attach原理與使用
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章
- 1. Differentially Private Federated Learning: A Client Level Perspective
- 2. Differentially Private Asynchronous Federated Learning for Mobile Edge Computing in Urban Informatic
- 3. Machine Learning A Probabilistic Perspective 1.Introduction
- 4. A Distributional Perspective on Reinforcement Learning
- 5. Note: Differentially Private Access Patterns for Searchable Symmetric Encryption
- 6. 論文筆記Client-Edge-Cloud Hierarchical Federated Learning
- 7. 【資源】Machine Learning A Bayesian_and Optimization Perspective(MLBOP)
- 8. SecureBoost: A Lossless Federated Learning Framework論文筆記
- 9. Federated Learning: 相關
- 10. [轉載] Conv Nets: A Modular Perspective