个性化联邦学习的相关方法与展望OA北大核心CSTPCD
Methods and Prospects of Personalized Federated Learning
目前,随着人工智能研究的进步,人工智能被大规模采用,数据监管等领域的需求也促使人们对隐私保护的认识和关注越来越多,这促进了联邦学习(federated learning,FL)框架的流行.但现有的FL难以应对异构问题以及用户的个性化需求.为了应对上述问题,研究了个性化联邦学习(personalized federated learning,PFL)的相关方法并提出了展望.列举了FL的框架并指出了FL的不足,在FL场景的基础上,引出PFL的研究动机…查看全部>>
Currently,with the advancement of artificial intelligence research,artificial intelligence is being widely adopted,and the increasing demand in areas such as data governance has led to growing awareness and concern for privacy protec-tion,this has promoted the popularity of the federated learning(FL)framework.However,existing FL frameworks strug-gle to address heterogeneous issues and personalized user needs.In response to these challenges,methods of persona…查看全部>>
孙艳华;王子航;刘畅;杨睿哲;李萌;王朱伟
北京工业大学 信息学部,北京 100124||北京工业大学 先进信息网络北京实验室,北京 100124北京工业大学 信息学部,北京 100124||北京工业大学 先进信息网络北京实验室,北京 100124北京工业大学 信息学部,北京 100124||北京工业大学 先进信息网络北京实验室,北京 100124北京工业大学 信息学部,北京 100124||北京工业大学 先进信息网络北京实验室,北京 100124北京工业大学 信息学部,北京 100124||北京工业大学 先进信息网络北京实验室,北京 100124北京工业大学 信息学部,北京 100124||北京工业大学 先进信息网络北京实验室,北京 100124
计算机与自动化
个性化联邦学习(PFL)数据监管异构问题隐私保护
personalized federated learning(PFL)data governanceheterogeneity problemsprivacy protection
《计算机工程与应用》 2024 (20)
68-83,16
北京市自然科学基金(4222002).
评论