新联邦学习框架结合异步聚合与差分隐私
论文AI 评分 65/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
研究提出一种隐私增强联邦学习框架，集成动态差分隐私、轻量级同态加密及本地差分隐私机制。该框架采用带版本控制的异步聚合策略。在 CIFAR-10 和 Purchase-100 数据集上的实验显示，在严格隐私约束下，分类精度最高达 82.6%，通信开销较 FedAvg 降低 21.3%。
为什么值得看
在保证高精度前提下显著降低通信开销，适合大规模分布式协作。
数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。