XiaoMi-AI文件搜索系统
World File Search SystemFederated
基于区块链的联合学习，用于分散的能源管理系统
摘要 - 能源互联网（IOE）是一个分布式范式，利用智能网络和分布式系统技术来实现分散的能源系统。与传统的集中式能源系统相比，分布式能源互联网系统包括多个组件和通信要求，要求创新技术以进行连续化，可靠性，效率和安全性。区块链体系结构，智能合约和分布式联邦学习技术的最新进展为实现分散的能源互联网服务提供了新的机会。在本文中，我们对使用区块链，智能合约和IOE领域的联合学习的状态解决方案进行了全面分析和分类。具体来说，我们确定了四个代表性系统模型并讨论其关键方面。这些模型展示了可以集成区块链，智能合约和联合学习的多种方式，以支持IOE的主要领域，即分布式能源交易和共享，智能微电网能源网络以及Electric and Connected车辆管理。此外，我们还提供了不同级别的权力下放，联合学习的优势以及对IOE系统使用区块链的好处的详细比较。此外，我们确定了未来研究的开放问题和领域，以在能源领域中整合联盟学习和区块链。索引术语 - 能源，联邦学习，区块链，能源交易，智能微电网
自适应联合过滤器组合基于导航算法...
摘要集成导航系统确保海上自主地表船（质量）安全，有效，并在不同的复杂导航环境中自主完成各种操作。研究集成导航的可靠算法对于增强系统的容错和确保船舶运动状态的稳定和连续输出至关重要。但是，现有的研究主要集中于优化特定的过滤算法或检查预定的集成导航结构中信息分配的基础。因此，在导航传感器故障的情况下，增强质量集成导航系统鲁棒性的策略和联合过滤器的子系统的设计尚未进行复杂的海上导航方案的充分研究。因此，这项研究介绍了使用非线性采样过滤的集成导航系统中系统特征和状态估计性能的可观察性共享因子。随后，开发了具有分布式联邦过滤器的可靠集成导航框架。在此框架内，根据可观察性共享因子提出了自适应联合过滤算法，以分配联合过滤中的信息。最后，通过仿真和实地实验验证了算法的理论性和有效性，以帮助开发准确和耐断层的海上导航系统。
安全的联邦学习：分析不同的加密工具
摘要：将联合学习确定为旨在使用私人数据集培训不同客户模型的最有效的协作学习方法之一。是私人的，我们的意思是，客户的数据集从未公开，因为它们用于本地培训客户的模型。然后，中央服务器负责汇总不同型号的权重。中央服务器通常是一个诚实而有趣的实体，可能有兴趣通过使用模型反转或会员推论来收集有关客户数据集的信息。在本文中，我们讨论了提供安全联合学习框架的不同加密选项。我们调查了差异隐私，同型加密和多方计算（MPC）的使用，同时考虑了不同的威胁模型。在我们的同态加密方法中，我们将使用Paillier Cryptosystem的优化版本获得的结果与使用BFV和CKK获得的结果进行了比较。至于MPC技术，在各种安全假设下测试了不同的一般协议。总体而言，我们发现他的性能更好，对于较低的带宽使用情况。
前哨：一个聚合功能以确保分散的联合学习
摘要。分散的联合学习（DFL）是一种创新的范式来培训协作模型，以解决单一的失败限制。但是，FL和DFL的安全性和可信赖性因中毒攻击而受到损害，从而对其表现产生负面影响。现有的防御机制是为集中式FL设计的，它们不能充分利用DFL的特殊性。因此，这项工作引入了Sentinel，这是一种防御策略，以抵消DFL中的中毒攻击。Sentinel利用本地数据的可访问性，并定义了一个三步聚合协议，该协议包括相似性过滤，自举验证和归一化以保护恶意模型更新。Sentinel已通过不同的数据集和数据分布进行了评估。此外，已经验证了各种中毒攻击类型和威胁水平。当数据遵循IID（独立和相同分布）配置时，结果与未靶向和有针对性的中毒攻击相对于不靶向和有针对性的中毒攻击提高了最新性能。此外，在非IID配置下，它可以分析Sentinel和其他最先进的强大聚合方法的性能如何降低。
生物银行规模数据集的安全且联合的全基因组关联研究
。cc-by-nc-nd 4.0国际许可证（未经同行评审证明）获得的是作者/资助者，他授予Biorxiv授予Biorxiv的许可，以永久显示预印本。这是该版本的版权持有人，该版本发布于2024年8月10日。 https://doi.org/10.1101/2022.11.30.518537 doi：Biorxiv Preprint
文化数据空间：联合数据生态系统的案例研究
摘要 在全球多个国家甚至大陆的数据战略中，分散式数据空间概念旨在解决组织之间的数据主权问题。大量项目和一些已经投入运营的数据空间涉及制造业、移动性和物流业或健康等工业领域的应用领域。然而，数据主权也成为艺术家和文化机构关注的重点，他们追求双重且有时相互冲突的目标，即通过数据共享创造附加值，并保护他们的知识产权和个人隐私权。该领域的其他挑战包括与现有数据空间相比潜在参与者数量多几个数量级、IT 能力通常有限、数据类型和规则的复杂差异化系统、异构数据集成和分析与人类创造力之间的新相互作用等等。此外，所涉及子社区的不同发展路径需要一个复杂的联合数据空间发展概念。本次主题演讲报告了“数据空间文化”的经验，这是德国总理办公室的灯塔项目，旨在调查这些问题，并围绕剧院、博物馆、音乐培训和当地文化社区网络等领域的四个用例展示和评估合适的数据生态系统。我们还讨论了与欧洲及其他地区的许多其他文化数字化举措的潜在协同作用和互操作挑战。
pilora：用于联邦课堂学习的原型指导增量洛拉
摘要。现有的联合学习方法在涉及数据隐私和非IID数据的情况下有效地处理了分散的学习。但是，在现实情况下，每个客户端都动态学习新类，要求全局模型对所有可见的类进行分类。有效地减轻灾难性遗忘和数据异质性，我们提出了一种名为Pilora的简单有效方法。一方面，我们采用原型学习来学习更好的功能表示形式，并利用原型和类特征之间的启发式信息来设计原型重新重量调节，以解决由数据异质性引起的分类器偏见而无需重新培训分类器。另一方面，我们将增量学习视为学习独特的任务向量并在不同的Lora参数中编码它们的过程。因此，我们提出了增量的洛拉（Lora）来减轻灾难性遗忘。标准数据集的实验结果表明，我们的方法的表现优于最先进的方法。更重要的是，我们的方法在不同的环境和数据杂基的程度上表现出强大的稳固性和优越性。该代码可从https://github.com/ghy0501/pilora获得。
对基础模型培训有效的联邦学习方法的调查
联邦学习（FL）已成为一种既定技术，旨在促进众多客户的隐私协作培训。，FL的新方法经常讨论他们的贡献，涉及小型深度学习模型，并专注于培训对客户的完整模型。在基础模型（FM）之后，对于许多深度学习应用而言，现实是不同的。典型地，FMS已经在各种任务中进行了预先训练，并且可以对数据集的明显小于全面模型培训所需的明显小的数据集进行微调。但是，访问此类数据集通常是具有挑战性的。根据其设计，FL可以帮助打开数据孤岛。在这项调查中，我们引入了一种关于计算和通信效率的新型分类法，这是在FL系统中使用FMS的重要要素。我们讨论了针对FL应用程序的参数有效微调（PEFT）的好处和背部，并详细介绍了FL框架与FMS合作的准备，并为如何评估FL以及隐私和PEFT的相互作用提供了有关如何评估属性模型的未来研究机会。
e LSA：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。
