面向 AnDE 分类器的联邦学习框架研究
该研究提出了一种在分布式环境中训练平均 n-依赖估计器（AnDE）的联邦学习框架。该方案重点关注判别式设定，模型权重在本地学习后进行全局聚合，并支持任意依赖阶数 n。由于无需传输具有直接语义的参数，该设计显著提升了隐私安全性。此外，研究还实现了生成式 AnDE 联邦基准，支持在概率表聚合中引入差分隐私，并在 12 个离散数据集上完成了有效性验证。
DC AI 热点
全部 AI 动态
9月25日2026-09-25
联邦学习鲁棒性研究综述：发展趋势、新兴策略与研究机遇
该研究针对联邦学习在隐私保护应用中面临的性能削弱、信息窃取以及聚合脆弱性等鲁棒性挑战进行了全面综述。论文从三个核心维度对联邦学习鲁棒性进行了系统梳理：首先以威胁为中心对多维攻击面进行分类；其次构建了鲁棒聚合策略的结构化分类体系，明确区分以结果为中心和以安全为中心的方法；最后提出了分层框架，旨在为提升分布式学习系统的安全性与稳健性提供研究指引。