基于边缘层级聚合的鲁棒性联邦学习方法研究

  • 打印
  • 收藏
收藏成功
微博 QQ空间 微信


打开文本图片集

摘要：联邦学习（Federated Learning） 在不共享个人数据的前提下实现分布式模型训练，有效保护用户隐私并提升模型的性能和泛化能力。然而，传统联邦学习面临数据异质性、通信延迟等挑战，且易受反向攻击影响系统安全。为应对这些挑战，本文提出了一种基于边缘层级聚合的鲁棒性联邦学习方法（DEHFL） 。（剩余19077字）

试读结束

目录
monitor