XiaoMi-AI文件搜索系统
World File Search SystemFederated
fedMup：联合学习驱动的恶意用户预测模型，用于云环境中的安全数据分布
云计算以快速的速度蓬勃发展。与数据安全性相关的重大后果似乎是恶意用户可能会获得未经授权的敏感数据，而这些数据可能会进一步滥用。这引起了一个惊人的情况，以解决与数据安全性有关的关键问题并提出恶意用户的预测。本文提出了一个供养的学习驱动的，以供云环境中的安全数据分布（FEDMUP）中的安全性数据分配。这种方法首先分析用户行为以获取多个安全风险参数。之后，它采用了联合学习驱动的恶意用户预测方法来主动揭示可疑用户。fedMup在其本地数据集上训练本地模型并传输计算值，而不是实际的原始数据，以获取基于平均各种本地版本的更新的全局模型。此更新的模型会与用户重复共享，以便获得更好，更有效的模型，能够更精确地预测恶意用户。广泛的实验工作和提议模型与最新方法的比较证明了拟议工作的效率。在关键绩效指标中观察到显着改善，例如恶意用户的预测准确性，精度，召回和F1得分高达14.32％，17.88％，14.32％和18.35％。
使用联邦学习对物联网安全挑战进行研究入侵检测系统
物联网（IoT）是一个分散且不断变化的网络，它在安全方面构成了挑战。输入强调了对保护物联网设备及其数据免受潜在威胁的强大安全措施的需求。该研究侧重于联合学习（FL）技术，作为增强物联网安全性的潜在解决方案。fl模型旨在保护敏感数据，同时允许其与其他系统进行交换，从而成为保护物联网环境的有前途的方法。此外，该输入表明，实施入侵检测系统（IDS）是增强整体物联网安全性的附加策略。通过组合FL和ID，目的是开发一种全面的解决方案，以解决保护IoT设置的复杂问题。输入强调了探索机器学习（ML）技术的重要性，以改善物联网设备的安全协议。它还强调了验证FL技术在保护和传输物联网系统中的指定信息中的效果的重要性。ID的集成被提出是一项额外的措施，以增强整个物联网系统的安全性。最终，这项研究的目的是提供全面和有效的解决方案来应对物联网中的安全挑战，从而增加对这项技术在各个领域中应用的信任。
释放联邦学习和迁移学习的力量
联邦学习和迁移学习是两种不同的机器学习方法，通常独立应用。然而，将这些方法结合起来，有可能为各个行业带来巨大的价值。本文系统地回顾了有关这两种技术的现有文献，并介绍了一种集成联邦学习和迁移学习以提高机器学习模型性能的新框架。所提出的框架可用于一系列应用，包括医疗保健（用于检测心脏病、癌症和中风）、零售（用于预测客户流失）以及电网、石油和天然气和制造业等工业领域（用于识别设备故障、电网负荷等）。通过融合这些技术，该框架提高了模型准确性和可扩展性，同时确保了分布式环境中的数据隐私。
Edge-ai的联合持续学习
edge-ai是边缘计算和人工智能（AI）的收敛性，已成为一个有希望的偏见，可以在网络边缘部署高级AI模型，靠近用户。在Edge-ai中，联邦持续学习（FCL）已成为一个当务之急，该框架融合了不同客户的知识，同时保留数据隐私并在学习新任务时从先前的任务中保留知识。这样做，FCL旨在确保在动态和分布式环境中学习模型的稳定和可靠的性能。在这项调查中，我们彻底回顾了最新的研究，并介绍了Edge-AI的FCL的首次全面调查。我们根据三个任务特征对FCL方法进行分类：联合班级持续学习，联合领域持续学习和联合任务持续学习。对于每个类别，提供了对代表性方法的深入调查和审查，涵盖了背景，挑战，问题形式化，解决方案和局限性。此外，还审查了FCL授权的现有现实世界中的现实信息，这表明FCL在不同的应用域中的当前进展和潜力。此外，我们讨论并突出了FCL的几个前瞻性研究指示，例如针对FCL和FCL的算法 - 硬件共同设计与基础模型，这可以为Edge-AI时代提供对FCL的未来发展和实际部署的见解。
在持续的联合学习中使用扩散模型作为生成重播 - 将会发生什么？
联合学习（FL）已成为分散学习的基石，在许多情况下，传入的数据分布会随着时间的流逝而动态变化，引入持续学习（CL）问题。这项连续的联合学习（CFL）任务提出了独特的挑战，尤其是关于灾难性遗忘和非IID输入数据的挑战。现有解决方案包括使用重播缓冲区来存储历史数据或利用生成对抗网络。尽管如此，由于生成任务的扩散模型的最新进展，本文介绍了DCFL，这是一个量身定制的新型框架，旨在应对动态分布式学习环境中CFL的挑战。我们的方法利用条件扩散模型在通信过程中在每个本地设备上生成综合历史数据的功能，从而有效地减轻动态数据分布输入的潜在变化。我们为拟议的CFL框架提供了融合，并在多个数据集中展示了其有希望的性能，从而展示了其在解决CFL任务复杂性方面的有效性。
F-Kans：联邦Kolmogorov-Arnold Networks
摘要 - 在本文中，我们提出了一种创新的联邦学习（FL）方法，该方法利用Kolmogorov-Arnold Net-Works（KANS）进行分类任务。通过在联合框架中利用KAN的自适应激活能力，我们旨在提高分类功能，同时保留隐私。该研究评估了联邦kans（F-kans）的性能与传统的联邦多层概念（F-MLP）在分类任务上相比。结果表明，F-KANS模型在准确性，精度，召回，F1分数和稳定性方面显着优于F-MLP模型，并取得更好的性能，为更有效和隐私的预测性预测分析铺平了道路。索引术语 - 填充学习，Kolmogorov-Arnold Net-Works，分类，人工智能
ESB-FL：有效且安全的基于区块链的联合学习，并提供公平付款
摘要 - 联合学习（FL）是一种使多方能够在不共享原始私人数据的情况下进行协作训练模型的技术，并且是智能医疗保健的理想选择。但是，由于对隐私敏感的医学数据泄漏的风险，它引起了新的隐私问题。直到最近，才引入了保护隐私的FL（PPFL）作为确保培训过程隐私的解决方案。不幸的是，大多数现有的PPFL方案高度取决于复杂的加密机制或无法保证训练模型的准确性。此外，对PPFL的付款程序的公平性很少有激励机制的研究。为了解决上述问题，我们首先构建了有效的非相互作用指定的解密功能加密（NDD-FE）方案，以保护培训数据的隐私，同时保持高通信性能。然后，我们提出了一个基于区块链的PPFL框架，并通过组合NDD-FE和精心设计的区块链，并通过公平支付医疗图像检测（即ESB-FL）。ESB-FL不仅继承了NDD-FE方案的特征，而且还确保了每个参与者的利益。我们最终进行了广泛的安全性分析和实验，以表明我们的新框架具有提高的安全性，良好的准确性和较高的效率。
贝叶斯相似度加权聚合用于联合脑肿瘤分割
度量贝叶斯+UCB SimAgg RegAgg 模拟时间（小时） 47.45 78.14 78.13 预计收敛分数 0.7264 0.7273 0.7227 DICE 标签 0 0.9977 0.9978 0.9980 DICE 标签 1 0.6844 0.6657 0.6561 DICE 标签 2 0.7257 0.6430 0.6665 DICE 标签 4 0.7464 0.7603 0.7313
密克罗尼西亚联邦（FSM）
征求意向书（个人咨询服务） 密克罗尼西亚联邦 (FSM) 密克罗尼西亚联邦数字 FSM 项目 资助编号：P170718 任务名称：监测和评估分析师 编号：FM-DHSA-364295-CS-INDV 密克罗尼西亚联邦政府已从世界银行获得资金，用于支付数字 FSM 项目的费用，并打算将部分收益用于咨询服务。咨询服务（“服务”）包括联络和合作负责数字 FSM 性别倡议总体领导的社会事务司助理部长、顾问以及与项目这一组成部分有关的其他部门工作人员。该任务的职权范围（TOR）附在本征求意向书后。卫生和社会事务部现邀请符合条件的个人（“顾问”）表明其对提供服务的兴趣。有意向的顾问应提供信息，证明其具备履行服务所需的资格和相关经验（附上简历，描述类似任务、类似条件等的经验）。 有意向的顾问请注意世界银行 2016 年 7 月《IPF 借款人采购条例》第 III 节第 3.14、3.16 和 3.17 段，其中阐述了世界银行的利益冲突政策。 办公时间：上午 8:00 至下午 5:00，可从以下地址获取更多信息。 必须在 2024 年 11 月 15 日之前以书面形式将意向书送达以下地址（亲自送达、邮寄、传真或电子邮件）。 收件人：Augustine Sue 先生 代理助理秘书 卫生和社会事务部 社会事务司 电子邮件：asue@fsmhealth.fm