Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Efficient Federated and Privacy-preserving Machine Learning
Übersetzter Titel:
Effizientes föderiertes und die Privatsphäre wahrendes maschinelles Lernen
Autor:
Nasirigerdeh, Reza
Jahr:
2024
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Institution:
Informatik 31 - Lehrstuhl für Artificial Intelligence in Healthcare and Medicine (Prof. Rückert)
Betreuer:
Rückert, Daniel (Prof. Dr.)
Gutachter:
Rückert, Daniel (Prof. Dr.); Haddadi, Hamed (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 700; MED 370; MED 230
Kurzfassung:
We first show that the regression and neural network models trained in a federated fashion can achieve optimal utility independent of data distribution across clients. Next, we introduce a new normalization method called KernelNorm, and illustrate that kernel normalized models can enhance not only utility but also communication and privacy simultaneously in federated, differentially private, and differentially private federated learning environments.
Übersetzte Kurzfassung:
Wir zeigen, dass die im Verbund trainierten Regressions- und neuronalen Netzwerkmodelle unabhängig von der Datenverteilung auf den Clients optimalen Nutzen erzielen können. Anschließend führen wir eine neue Normalisierungsmethode namens KernelNorm ein und zeigen, dass kernel-normalisierte Modelle nicht nur den Nutzen, sondern auch die Kommunikation und die Privatsphäre in föderierten, differenziell privaten und differenziell privaten föderierten Lernumgebungen gleichzeitig verbessern können.
WWW:
https://mediatum.ub.tum.de/?id=1732268
Eingereicht am:
07.03.2024
Mündliche Prüfung:
24.10.2024
Dateigröße:
5072325 bytes
Seiten:
162
Urn (Zitierfähige URL):
https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20241024-1732268-0-4
Letzte Änderung:
24.01.2025
 BibTeX