XiaoMi-AI文件搜索系统
World File Search SystemFederated
通过控制流证明确保联合学习
摘要 - 联邦学习（FL）作为一个分离的机器学习范式的出现，引入了新的Cybercurity挑战，尤其是威胁模型完整性和参与者隐私的对抗性攻击。本研究提出了一个受控制流（CFA）机制启发的创新安全框架，传统上用于网络安全，以确保软件执行完整性。通过在FL框架内集成数字签名和加密散布，我们对整个网络跨网络的模型更新的完整性进行了验证，从而有效地减轻了与模型中毒和对抗性干扰相关的风险。我们的方法是将CFA原理应用于FL的新颖性，可确保参与节点的贡献是真实且未受到损害的，从而在不损害计算效率或模型性能的情况下增强了系统的弹性。对基准数据集，MNIST和CIFAR-10的经验评估证明了我们的框架的有效性，在完整性验证和身份验证方面达到了100％的成功率，以及针对对抗性攻击的明显韧性。这些结果验证了提议的安全性增强和开放途径，以提供更安全，可靠和意识的分布式机器学习解决方案。我们的工作弥合了网络安全与分布式机器学习之间的关键差距，为Secure FL中的未来进步奠定了基础。索引术语 - 填充学习，网络安全，控制流证明，数字签名，哈希
在模拟家庭环境中联合学习社会适当的代理行为
随着社会机器人越来越多地整合到日常生活中，将其行为与社会规范保持一致至关重要。对于他们广泛的开放世界应用程序，探索联邦学习（FL）设置很重要，在这些设置中，单个机器人可以在其中学习其独特的环境，同时还可以从彼此学习。在本文中，我们提出了一种新颖的FL基准，该基准使用多标签回归目标评估不同的策略，每个客户单独学习以预测不同机器人行动的社会适当性，同时也与他人分享他们的学习。此外，通过不同的上下文将培训数据分开，以使每个客户逐渐学习跨环境，我们提出了一种新颖的联合持续学习（FCL）基准，该基准适用于基于FL的方法，以使用最先进的持续学习（CL）方法，以在不同的上下文背景下持续学习社会适当的推动力。联合的平均权重（FedAvg）作为一种强大的FL策略出现，而基于彩排的FCL可以通过上下文分配逐步学习机器人行动的社会适当性。
pmfl：针对异构任务的部分元元学习及其在现实世界病历上的应用
摘要 - 填充的机器学习是一种多功能且灵活的工具，可利用来自不同来源的分布式数据，尤其是当通信技术迅速发展并且可以在移动设备上收集空前的数据时。联合学习方法不仅利用了数据，还利用网络中所有设备的计算能力来实现更有效的模型培训。然而，尽管大多数传统的联合学习方法在同质数据和任务中都很好地工作，但将方法调整为杂项数据和任务分布既具有挑战性。此限制限制了联邦学习在现实世界中，尤其是在医疗环境中的应用。受到元学习的基本观念的启发，在本研究中，我们提出了一种新算法，该算法是联合学习和元学习的整合，以解决这个问题。此外，由于模型概括的转移学习的优势，我们通过引入部分参数共享以平衡全球和本地学习来进一步改善算法。我们将此方法命名为部分元元学习（PMFL）。最后，我们将算法将其应用于两个医疗数据集。我们表明，我们的算法可以获得最快的训练速度，并在处理异质医疗数据集时获得最佳性能。源代码可在https://github.com/destiny301/pmfl上找到。索引术语 - 填写学习，学习，转移学习，医学，自然语言处理
联合电信枢纽6G研究合作基金（THRPF）
在切达（Cheddar），我们试图将新项目与我们的三个一般研究支柱保持一致：1。新兴电信系统，2。可持续系统和3。以人为中心的系统。We encourage the co-creation of new ideas in the fields such as: Multi-access Edge Computing (MEC), Intelligent Cloud-Native RAN, Cloud Native Networked Control Systems, Digital Twins, Foundational Models, 6G Carbon-Neutrality, ISAC, Green AutoML, Trustworthy AI in Network Optimisation, Formal Verification, Network Intelligence Privacy, Security and Post-Quantum.Joiner将在代表性条件和规模下对电信研发的实验验证，以推动影响力的结果。Joiner将提供国家分布式基础设施，以支持增强的实验，协作和开发电信R＆D。最初，我们的目标是结合10个大学研究实验室和Sonic Lab（数字弹射器），以促进整个学术界的合作，同时使行业与中小企业参与实验研究。这样的测试床对于支持电信研发至关重要，以解决跨技术（软件和硬件）的端到端挑战，复杂性和共同依赖性，这是对未来网络的核心挑战，并且是6G开发的关键重点。
联合电信枢纽6G研究合作基金（THRPF）
在切达（Cheddar），我们试图将新项目与我们的三个一般研究支柱保持一致：1。新兴电信系统，2。可持续系统和3。以人为中心的系统。We encourage the co-creation of new ideas in the fields such as: Multi-access Edge Computing (MEC), Intelligent Cloud-Native RAN, Cloud Native Networked Control Systems, Digital Twins, Foundational Models, 6G Carbon-Neutrality, ISAC, Green AutoML, Trustworthy AI in Network Optimisation, Formal Verification, Network Intelligence Privacy, Security and Post-Quantum.Joiner将在代表性条件和规模下对电信研发的实验验证，以推动影响力的结果。Joiner将提供国家分布式基础设施，以支持增强的实验，协作和开发电信R＆D。最初，我们的目标是结合10个大学研究实验室和Sonic Lab（数字弹射器），以促进整个学术界的合作，同时使行业与中小企业参与实验研究。这样的测试床对于支持电信研发至关重要，以解决跨技术（软件和硬件）的端到端挑战，复杂性和共同依赖性，这是对未来网络的核心挑战，并且是6G开发的关键重点。
医疗保健中的联合机器学习-DR -NTU
联合学习（FL）是一个分布式机器学习框架，鉴于增加了健康数据隐私保护需求，它正在获得吸引力。通过对Healthcare的FL申请进行系统审查，我们确定了截至2023年8月31日，英语的科学，工程和医学期刊的相关文章。在最终分析中，总共有22,693篇文章中，有612篇文章包括612篇文章。大多数文章是概念验证研究，只有5.2％是使用FL的现实生活的研究。放射学和内科是FL涉及的最常见的专业。fl对各种机器学习模型和数据类型都是可靠的，神经网络和医学成像分别是最合并的。我们强调需要解决临床翻译的障碍，并在这个新的数字数据驱动的医疗保健领域评估其现实世界的影响。
隐私保护和公平意识联合学习，用于关键基础设施的保护和恢复
能源行业正在经历重大转型，致力于实现净零排放并使其基础设施面向未来，电网中的每个参与者都有可能消耗和生产能源资源。联邦学习 - 使多个参与者能够协作训练模型而无需汇总训练数据 - 成为一种可行的技术。然而，必须共享以进行优化的全局模型参数仍然容易受到训练数据泄露的影响。在这项工作中，我们提出了受限梯度下降（CGD），通过消除全局模型参数的共享来增强联邦学习的隐私性。CGD利用了这样一个事实：梯度下降优化可以从一组离散点开始，并收敛到目标函数全局最小值邻域中的另一组点。因此，每个参与者可以独立地启动自己的私有全局模型（称为受限模型），并协作学习以达到最优值。在训练过程中，他们自己的模型的更新以安全的协作方式进行。通过这种方式，CGD 保留了从分布式数据中学习的能力，但大大减少了信息共享。这种策略还允许专有的受限模型适应联邦学习中的异质性，从而提供公平性的内在优势。我们从理论和经验上证明，分散式 CGD（i）提供更强大的差异隐私（DP）保护；（ii）对最先进的毒害隐私攻击具有鲁棒性；（iii）导致参与者之间的有限公平性保证；（iv）在四个真实世界数据集上提供高测试准确率（与集中式学习相当）和有界收敛率。
分散的联合政策梯度，具有拜占庭断层耐受性和快速收敛
在联邦强化学习（FRL）中，代理人旨在与每个代理商在其本地环境中行动而无需交换原始轨迹时进行协作。FRL的现有方法（a）都不提供任何容忍度的保证（针对行为不当的代理商），或（b）依靠可信赖的中央代理（单点失败）来汇总更新。我们提供了第一个分散的拜占庭式耐受性FRL法。为此，我们首先提出了一种新的集中式拜占庭故障稳定性政策梯度（PG）算法，该算法仅依赖于非耐受性PG的假设标准来改善现有方法。然后，作为我们的主要贡献，我们展示了如何利用强大的聚合和拜占庭式共识方法的结合，以消除对受信任的中央实体的需求。由于我们的结果代表了拜占庭式耐断层的非征料非凸优化的第一个样本复杂性分析，因此我们的技术贡献可能具有独立的利益。最后，我们为常见的RL环境证实了我们的理论结果，证明了分散的联邦W.R.T.的加速。对各种拜占庭攻击的参与代理的数量和弹性。
博士奖学金：利用近似计算增强联邦脉冲神经网络 (SNN) 以实现可穿戴健康监测
脉冲神经网络 (SNN) 的固有效率使其成为可穿戴健康监测的理想选择。SNN 通过事件驱动处理和稀疏激活进行操作，与传统 CNN 相比，功耗更低。这种节能方法与可穿戴设备的限制非常吻合，可确保长时间使用并最大程度地降低对用户体验的影响。另一种降低可穿戴健康监测 SNN 功耗的技术是近似计算。这种方法使资源受限的可穿戴设备能够实现计算效率，从而提高健康监测设备的使用寿命和可用性。
海报：联合多模式医学数据生成
摘要 - 医疗保健中的深度学习面临挑战，例如有限的注释电子健康记录（EHR），数据隐私问题和不平衡数据集。大多数综合数据方法都集中在没有隐私保护的单个数据类型上。为了克服这些限制，提议的联合隐私 - 保存多模式生成（FPMG）框架将联合学习原理集成了分散培训的联合学习原理，而无需直接数据访问。它提出了一个多模式生成对手模型，以在保留隐私时创建全面的合成数据。孤岛联合学习用于分散培训，以维持患者的隐私。多模式生成系统捕获健康特征之间的复杂关联，增强了合成数据质量和疾病的理解。初步研究成功地产生了合成图像，包括Covid-19和肺癌等罕见的共发生。I. i ntroduction