★ 2
AnDE 分类器的联邦学习框架
该论文提出一种在分布式环境下训练平均 n 依赖估计器（AnDE）的联邦框架，支持任意依赖阶数 n，模型权重本地学习、全局聚合，无需传输语义上有意义的参数，从而提升隐私性。实验在 12 个离散数据集上显示，n≥1 的判别式模型稳定优于联邦朴素贝叶斯，且带差分隐私的聚合在精度损失有限的情况下有效。
arXiv cs.LG38 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
该论文提出一种在分布式环境下训练平均 n 依赖估计器（AnDE）的联邦框架，支持任意依赖阶数 n，模型权重本地学习、全局聚合，无需传输语义上有意义的参数，从而提升隐私性。实验在 12 个离散数据集上显示，n≥1 的判别式模型稳定优于联邦朴素贝叶斯，且带差分隐私的聚合在精度损失有限的情况下有效。