SIREN+: Robust Federated Learning With Proactive Alarming and Differential Privacy

原创 已于 2024-10-21 15:05:41 修改 · 1k 阅读 · 32 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习

于 2024-10-17 17:03:02 首次发布

引用：H. Guo et al., “Siren+^++: Robust Federated Learning With Proactive Alarming and Differential Privacy,” in IEEE Transactions, on Dependable and Secure Computing, vol. 21, no. 5, pp. 4843-4860, Sept.-Oct. 2024, doi: 10.1109/TDSC.2024.3362534.
b站视频：https://www.bilibili.com/video/BV1dE28YNEZn/?spm_id_from=333.999.0.0&vd_source=4abbaefcba03a8f8ab575d07cd59a36d

最低0.47元/天 解锁文章
米粒糕
关注
【图像超分】论文精读：Learning Continuous Image Representation with Local Implicit Image Function（LIIF）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
06-06 245
本文提出了一种新的连续图像表示方法——局部隐式图像函数(LIIF)，通过将图像建模为连续域中定义的函数，实现任意分辨率下的图像呈现。LIIF以图像坐标和周围2D深度特征作为输入，预测对应坐标的RGB值输出。该方法采用自监督任务训练编码器，生成的连续表示可外推至未训练的高分辨率（如×30）。实验表明，LIIF在2D离散与连续表示间建立桥梁，能有效处理不同分辨率图像任务，优于传统调整ground-truth的方法。本文工作为自然图像的连续表示提供了新思路，在超分辨率等领域展现出优越性能。
基于联邦学习中毒攻击的防御策略
m0_56222998的博客
07-04 3680
基于联邦学习中毒攻击的防御策略
READ-2341 Siren: Byzantine-robust Federated Learning via Proactive Alarming
m0_51638853的博客
01-22 500
现有的方法仅仅依靠FL服务器上的检测机制来检测攻击，当全局模型被恶意客户端成功地影响后，良性客户端必须被动地接受破坏的全局模型，因此防御应该不仅仅部署在服务器端，还要部署在客户端。
联邦学习-论文阅读-NDSS-FLTrust: Byzantine-robust Federated Learning via Trust Bootstrapping
qq_41940837的博客
03-21 2783
1、FLTrust: Byzantine-robust Federated Learning via Trust Bootstrapping 1、概要 拜占庭式的鲁棒联邦学习方法中没有信任的根（即不知道服务器的任务），所以在服务器看来，每个客户端都可能是恶意的。 本文提出FLTrust来引导客户端进行训练。即服务提供者自己为学习任务收集一个干净的小型训练数据集(称为根数据集)，并在此基础上维护一个模型(称为** **)来引导信任。 在每次迭代中，服务提供
Siren论文阅读笔记：Implicit Neural Representations with Periodic Activation Functions具有周期激活函数的隐式神经表示
出门吃三碗饭的博客
07-16 4285
Siren论文阅读笔记：Implicit Neural Representations with 由神经网络参数化的隐式定义的、连续的、可微的信号表示已经成为一种强大的范例，与传统的表示相比，它提供了许多可能的好处。然而，当前用于此类隐式神经表示的网络架构无法对信号进行精细细节建模，并且无法表示信号的空间和时间导数，尽管事实上这些对于许多隐式定义为偏微分方程解的物理信号至关重要。我们建议利用周期性激活函数进行隐式神经表示，并证明这些网络（称为正弦表示网络或 SIREN）非常适合表示复杂的自然信号及其导数。
文献阅读--FLTrust: Byzantine-robust Federated Learning via Trust Bootstrapping
热门推荐
学渣的博客
10-08 1万+
本文设计了一个 Byzantine-robust （能够抵御投毒攻击） 的联邦学习框架。在此 Fed 框架中，每一轮梯度聚合前，server 端 会先计算 global模型在 root dataset（server额外收集的干净的数据集，大小为100即可）上的梯度，然后通过计算该梯度和各 client 上传的梯度的 角度获取 TS（信任分数），并进行幅值的缩放，有效地降低了 上传投毒梯度的 client 所造成的影响。 目录1 问题2 挑战2.1 如何辨别哪个client异常？2.2 如何控制更新权重？2
SIREN：使用周期性激活函数的隐式神经表示（论文解释）
YannicKilcher的博客
08-16 789
这篇论文提出了一种新的神经网络模型，名为SIRENs（Sine-Activated Neural Networks），用于表示图像、声音、点云等信号。与传统的深度学习模型不同，SIRENs 将信号表示为一个函数，该函数将信号的坐标映射到其值。 论文作者首先介绍了SIRENs 的基本概念，即利用正弦函数作为神经网络的非线性激活函数，并通过仔细地初始化网络参数，使其能够很好地捕捉信号。 作者接着从机器...
siren-sdk：包含帮助开发和使用警报实体的工具
02-20
使用 npm install siren-sdk ： npm install siren-sdk 。 版本和发布 TL; DR：提交带有fix:和feat:前缀的提交fix:合并到master时将触发补丁和次要发行版。 请阅读以获得更多详情... 该是由被叫release.yml GitHub...
Siren.Net: 实现ASP.Net WebAPI对Siren HyperMedia的全面支持
资源摘要信息:"Siren.Net是对Siren HyperMedia MediaType在ASP.Net WebAPI中的支持扩展。在讨论之前，首先要了解什么是Siren HyperMedia MediaType和ASP.Net WebAPI，以及为何需要在ASP.Net WebAPI中支持Siren格式。...
Siren实现：周期性激活功能的隐式神经网络
资源摘要信息: "siren:正式实施'具有周期性激活功能的隐式神经表示'" 1. 隐式神经表示 隐式神经表示是一种神经网络架构，它通过神经网络直接生成目标函数的表示，而不是通过明确的数据样本点。在隐式表示中，网络的...
对联邦学习的威胁、攻击和防御：问题、分类和观点
m0_56222998的博客
07-04 3333
对联邦学习的威胁、攻击和防御：问题、分类和观点
（补充及更新）FLTrust: Byzantine-robust Federated Learning via Trust Bootstrapping
qq_41940837的博客
06-06 2168
无
联邦学习论文阅读笔记
RouTine
03-18 3715
目录一、前缀基础知识二、论文笔记A Theoretical Perspective on DP Federated MTL - preprint'20Federated Multi-Task Learning - NIPS'17FLTrust _ Byzantine-robust Federated Learning via Trust Bootstrapping - NDSS'21Provably Secure Federated Learning - NIPSw'20RSA _ Byzantine-ro
联邦学习本身+机器视觉中深度学习所面临的对抗攻击
柯同学要谦虚
10-23 1万+
目录联邦学习本身 联邦学习本身 这给人工智能应用给机器学习带来的挑战是：如果机构之间的数据无法互通，一家企业一家机构数据量有限，或者是少数巨头公司垄断大量数据，而小公司很难获得数据，形成大大小小的“数据孤岛”。在这种没有权限获得足够多的用户数据的情况下，各个公司尤其是小公司，如何建模？ 在这种情况下，“联邦学习”的概念应运而生。所谓 “联邦学习”，首先是一个“联邦”。不同于企业之前的“各自为政”...
机器学习周报二十四
weixin_60864619的博客
11-30 892
本周学习了潜在扩散模型的概念，潜在扩散模型的实现是很简单的，之后学习了变分自编码器(VAE)。同时解决了之前的RCNN目标检测的模型，但是效果很差。This week, I studied the concept of latent diffusion models. The implementation of latent diffusion models is quite simple. Afterwards, I learned about variational autoencoders (VAE)
【模式识别与机器学习（1）】基础概念之：模式识别基础
hiliang521的博客
11-30 976
关键词：时空特征组合、向量表示、模式类、信息表征模式是模式识别领域的基础概念。广义地说，模式是指区别事物的时空特征组合，存在于时间和空间中可观察的物体，只要我们能够区别它们是否相同或相似，都可以称之为模式。从信息的角度来看，模式不是事物本身，而是从事物获得的信息。这种信息往往具有时间和空间的分布特性，比如个人的照片所包含的像素信息，歌曲旋律所体现的音阶变化，以及动物步态所反映的运动特征。这些信息通过特定的方式组织起来，形成了我们能够识别和区分的模式。在数学上，模式一般用向量来表示。
【模式识别与机器学习（15）】主成分分析
hiliang521的博客
12-02 563
【模式识别与机器学习（15）】主成分分析
0011机器学习特征工程
最新发布
老欧学视觉的博客
12-03 380
本文系统介绍了机器学习特征工程的关键内容，包括特征工程在机器学习流程中的重要性、数据处理方法和降维技术。主要内容涵盖：1）特征工程的核心作用是通过数据预处理提升模型效果，包括异常值处理、数据平衡、文本向量化等；2）详细讲解了数据清洗、缺失值填充、标准化/归一化、One-Hot编码等基础处理方法；3）重点阐述了文本特征提取技术（词袋法、TF-IDF）和降维方法（特征选择、PCA、LDA）。文章强调特征工程需结合业务场景进行特征衍生和优化，占整个开发流程30%-50%的工作量，是机器学习项目成功的关键环节。
AAAI-2013《Spectral Rotation versus K-Means in Spectral Clustering》
Christo的博客
11-30 800
这篇论文成功地将谱旋转技术应用于谱聚类，解决了传统K-Means在处理松弛谱向量时的偏差问题。通过引入正交旋转约束，方法在理论上保证了更好的连续-离散逼近，并在实验中证明了其在图割优化和聚类指标上的优越性。论文结构清晰：从谱聚类背景引入问题，推导优化算法，提供理论证明，并通过基准数据集验证。该工作强调了谱聚类后处理的的重要性，为后续研究（如自适应谱聚类）提供了基础。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值