XiaoMi-AI文件搜索系统
World File Search SystemFederated
联合的HPC，云和数据基础架构-UeroHPC JU
大脑建模工作流程•在不同的空间和时间尺度上探索，可视化，查询和导入数据 - 知识图和大脑图集（大数据）•在不同的尺度和工作流程（云）上生成模型（云）•（共同）使用不同的专用模拟器（HPC和NMH）模拟模型（HPC和NMH）•分析，最佳和实验性（HPC）或实验性（RobiS），BCI（HPC）（HPC），BCI（HPC）（HPC，HPC）模块）•编排，监视和转向（云和HPC）
网络安全中的联合学习：应用，挑战和未来的方向
摘要：联合学习是一种创新的分散机器学习技术，为增强网络安全提供了重要潜力。通过使多个实体能够在不共享原始数据的情况下进行协作训练模型，联合学习可以保留数据隐私和安全性，同时利用各种数据集的集体智能。本文探讨了联合学习的核心原理，其在威胁检测，入侵检测系统（IDS）和恶意软件检测中的应用。它还解决了与数据隐私，通信开销和模型准确性相关的技术挑战，从而提供了克服这些障碍的解决方案。此外，本文讨论了未来的趋势和研究机会，包括将联合学习与区块链等新兴技术的整合。通过案例研究和现实世界实例，我们证明了联邦学习在改善网络安全措施方面的有效性。本文结束了，强调正在进行的研究和协作的重要性，以充分实现联合学习在维护数字基础设施中的潜力。关键字：联合学习，网络安全，威胁检测，入侵检测系统，恶意软件检测，数据隐私，安全汇总，通信开销，模型准确性，区块链集成
elsa：与恶意演员联合学习的安全汇总
摘要 - 填充学习（FL）是机器学习越来越流行的方法（ML），在培训数据集高度分布的情况下。客户在其数据集中执行本地培训，然后将更新汇总到全球模型中。现有的聚合协议要么效率低下，要么不考虑系统中恶意参与者的情况。这是使FL成为隐私敏感ML应用的理想解决方案的主要障碍。我们提出E LSA，这是FL的安全聚合协议，它打破了此障碍 - 它是有效的，并解决了其设计核心的恶意参与者的存在。与PRIO和PRIO+的先前工作类似，E LSA提供了一种新颖的安全聚合协议，该协议是由两台服务器构建的，只要一台服务器诚实，捍卫恶意客户端，并且是有效的端到端。与先前的工作相比，E LSA中的区别主题是，客户不是交互产生加密相关的服务器，而是在不损害协议安全性的情况下充当这些相关性的不受信任的经销商。与先前的工作相比，这导致了更快的协议，同时还可以实现更强的安全性。我们引入了新技术，即使服务器是恶意的，在运行时的较小成本为7-25％，而对于半honest服务器的情况，通信的增加而言可以忽略不计。我们的工作改善了先前工作的端到端运行时，具有相似的安全保证的大幅度保证 - 单格聚集器ROFL最多305 x（对于我们考虑的模型），并最多分配了8 x。
设备上的天气基础模型的联合及时学习
天气预报的设备智能使用本地深度学习模型来分析没有集中云计算的天气模型，对支持人类激活具有重要意义。联邦学习是通过在不共享原始数据的情况下进行协作模型培训来实现协作模型培训的一种有希望的解决方案。但是，它面临着妨碍其可靠性的三个主要挑战：（1）由于地理差异而导致设备之间的数据异质性； （2）单个设备中的数据同质性和（3）发送大型模型参数以进行协作而进行的通信过载。为了应对这些挑战，本文为天气模型（FEDPOD）提供了供您提供的供应的p rompt学习，该模型（FEDPOD）启动了启动的设备，以在维持沟通效率的同时获得高度定制的模型。具体而言，我们的自适应及时调整杆轻巧的提示指导冷冻基础模型产生更精确的预测，还进行了迅速的基于基于多层次的沟通，以鼓励多源知识知识效果并调节优化。此外，Dy-Namic图建模构造了提示的图形，优先考虑具有与异质性相似的数据分布的设备之间的协作培训。广泛的实验表明，FEDPOD在现实世界内部的天气预报数据集中领导着最先进的基线的性能。
feddrl：值得信赖的联合学习模型融合方法...
摘要。联合学习促进了多个参与者之间的协作数据分析，同时保留用户隐私。但是，常规联合学习方法通常采用加权平均技术来进行模型融合，面临两个重要的挑战：1。将恶意模型纳入福音过程会大大破坏汇总全局模型的准确性。2。由于设备和数据的异质性问题，客户端的数量不能确定模型的重量值。为了解决这些挑战，我们提出了一种基于强化学习（FEDDRL）的值得信赖的模型融合方法，其中包括两个阶段。在第一个阶段，我们提出了一种可靠的客户选择机制，以将恶意模型排除在融合过程中。在第二阶段，我们提出了一种自适应模型融合方法，该方法根据模型质量动态分配权重以汇总最佳的全局模型。最后，我们在五个不同的模型融合场景上验证了我们的方法，这表明我们的算法显着增强了可靠性，而不会损害任何认可。
flautim：使用K8和Flower的联合学习平台
联合学习（FL）是人工智能中的最先进技术，可在降低计算和通信成本的同时，保留数据隐私和安全性。它改变了传统的集中机器学习和深度学习方法，以实现无需数据交换的分散模型培训。这项工作介绍了FLAUTIM，这是基于Kubernetes（K8S）和Flower Framework的巴西和拉丁美洲的FL平台的首次实施。FLAUTIM专为学术使用而设计，使没有技术背景的研究人员可以轻松地在该平台上进行FL实验。此外，该平台允许开发涉及从连接车辆收集的数据的应用程序。因此，本研究旨在介绍这个新的FL平台，从而提供其架构的全面细节。
面向隐私保护 AI 的联邦学习调查
摘要 人工智能 (AI) 和机器学习模型面临的重大挑战之一是保护数据隐私和确保数据安全。解决这个问题导致了联邦学习 (FL) 机制在数据隐私保护中的应用。保护欧盟 (EU) 的用户隐私必须遵守《通用数据保护条例》(GDPR)。因此，探索用于保护数据隐私的机器学习模型必须考虑到 GDPR。在本文中，我们详细介绍了联邦机器学习、各种联邦架构以及不同的隐私保护机制。这项调查工作的主要目标是强调现有的隐私技术并提出联邦学习在行业中的应用。最后，我们还描述了联邦学习如何成为未来研究的新兴领域，它将为 AI 和机器学习带来一个新时代。 关键词 联邦学习、人工智能、机器学习、隐私、安全、分布式学习。 1. 引言由于过去几十年人工智能和机器学习的出现，机器人、计算机视觉和游戏应用等各个领域都取得了重大进展。主要关注点之一是保护数据隐私。由于每天都会产生大量数据，因此保护数据隐私至关重要。公开数据和公司私有数据的泄露导致数据隐私问题急剧增加。通过维护特定的隐私标准来利用作为数据岛隔离的数据对于提高数据安全性至关重要。滥用用户的个人数据可能会给用户带来开销，迫使他不愿透露自己的个人信息。即使在公司和行业中，保护数据免遭数据泄露也是必不可少的，因为这会给公司带来严重后果。反过来，数据泄露会大规模影响公司的财务和商业方面，导致巨大损失。确保数据隐私的著名标准之一是欧盟的《通用数据保护条例》（GDPR）[1, 2]。 GDPR 于 2018 年提出，旨在确保每个用户的数据隐私，这反过来又促使人们在使用数据时使用符合这一标准的人工智能和机器学习框架。许多机器学习和人工智能模型需要足够的数据进行训练并生成高质量的模型。虽然模型需要使用用户数据才能为用户构建良好的预测模型，但应该有一种方法可以确保用户的隐私。很少有组织需要交换数据来协同工作，从而提高公司的绩效，
6G 系统中可解释 AI 模型的联合学习
摘要：本文介绍了可解释人工智能 (XAI) 模型的联邦学习 (FL) 概念，作为先进 5G 至 6G 系统的一项使能技术，并讨论了其在自动车辆网络用例中的适用性。尽管已经广泛研究了神经网络的 FL，利用随机梯度下降的变体作为优化方法，但在固有可解释模型的背景下尚未得到充分研究。一方面，XAI 通过帮助最终用户信任（通过设计）网络内 AI 功能会发出适当的操作建议，允许改善所提供通信服务的用户体验。另一方面，FL 确保整个系统的车辆和用户数据的安全和隐私。现有的基于 AI 的无线网络规划、设计和运营解决方案往往忽略了这些要求。从这个角度来看，本文详细描述了相关的 6G 用例，重点关注车对万物 (V2X) 环境：我们描述了一个框架来评估所提出的方法，该方法涉及基于实时网络的真实数据进行在线训练。XAI 模型的 FL 有望作为一种实现去中心化、轻量级和通信高效智能无缝可用性的方法带来好处。所提出方法的影响（包括标准化视角）在于提高操作的可信度，例如通过可解释体验质量 (QoE) 预测，以及对来自传感器、终端、用户和应用程序的数据进行安全和隐私保护管理。
Fed-XAI：可解释人工智能模型的联合学习⋆
摘要 当今时代的特点是基于数据处理的应用程序和服务日益普及，这些应用程序和服务通常基于人工智能 (AI)，尤其是机器学习 (ML) 算法。事实上，从数据中提取见解在个人、公司和公共实体的日常生活中非常常见，并且与市场参与者息息相关，已成为机构组织关注的重要问题。这个主题如此重要，以至于已经提出了临时规定。应用程序解决数据隐私问题的能力是其中一个重要方面。此外，根据特定的应用领域，最重要的是人类能够理解为什么某个基于 AI/ML 的应用程序会提供特定的输出。在本文中，我们讨论了可解释 AI (XAI) 模型的联邦学习概念，简称 FED-XAI，旨在同时满足这两个要求。AI/ML 模型的训练目标是同时保护数据隐私（联邦学习 (FL) 端）并确保系统具有一定程度的可解释性（XAI 端）。我们首先介绍 FL 和 XAI 的基础动机及其基本概念；然后，我们讨论该研究领域的现状，并简要介绍方法、模型和结果。最后，我们重点介绍未来的主要挑战。
FedZero：在联邦学习中利用可再生过剩能源
联邦学习 (FL) 是一种新兴的机器学习技术，它支持跨数据孤岛或边缘设备进行分布式模型训练，而无需数据共享。然而，与集中式模型训练相比，FL 不可避免地会带来效率低下的问题，这将进一步增加未来机器学习本已很高的能耗和相关的碳排放。减少 FL 碳足迹的一种方法是根据电网中特定时间和地点可能出现的可再生过剩能源的可用性来安排训练作业。然而，面对如此不稳定且不可靠的资源，现有的 FL 调度程序无法始终确保快速、高效和公平的训练。我们提出了 FedZero，这是一个专门依靠可再生过剩能源和计算基础设施的闲置容量运行的 FL 系统，可有效地将训练的运营碳排放量降至零。通过利用能源和负荷预测，FedZero 通过选择客户端实现快速收敛和公平参与，从而利用过剩资源的时空可用性。我们基于实际的太阳和负载轨迹进行的评估表明，在上述约束条件下，FedZero 的收敛速度明显快于现有方法，同时消耗的能量更少。此外，它对预测误差具有很强的鲁棒性，可扩展到数万个客户端。