Benutzer: Gast  Login
Weniger Felder
Einfache Suche
Dokumenttyp:
Masterarbeit
Autor(en):
Xia, Yue
Titel:
Byzantine-Resilient and Information-Theoretically Private Federated Learning
Übersetzter Titel:
Byzantinisch-Robustes und Informations-Theoretisch Privates Föderales Lernen
Abstract:
We design a private and secure federated learning scheme that guarantees perfect information-theoretic privacy and leaks as less information as possible about the users’ data. We build our scheme on FLTrust. The federator computes a trust score (TS) for each users’ computation result based on a small representative dataset at the federator and uses these TSs as weights for aggregation. We introduce a novel method to compute the aggregation by only observing a privatized version of the users’ com...     »
übersetzter Abstract:
Föderales Lernen (FL) ist als neues Paradigma entstanden, das das Training neuronaler Netze auf privaten Daten ermöglicht, die mehreren Benutzern gehören. Benutzer führen lokale Berechnungen auf ihren Daten durch und teilen nur die Berechnungsergebnisse mit dem Koordinator, der den Lernprozess koordiniert. FL steht vor vielen Herausforderungen, wie der Gewährleistung der Privatsphäre der Benutzerdaten und der Sicherheit gegen böswillige Benutzer. Es wurde gezeigt, dass der Koordinator, indem er...     »
Fachgebiet:
DAT Datenverarbeitung, Informatik
DDC:
000 Informatik, Wissen, Systeme
Betreuer:
Bitar, Rawad (Dr., Ph.D.); Egger, Maximilian; Hofmeister, Christoph
Jahr:
2024
Seiten/Umfang:
52
Sprache:
en
Sprache der Übersetzung:
de
Hochschule / Universität:
Technische Universität München
Fakultät:
TUM School of Computation, Information and Technology
 BibTeX