Elastic-Trust Hybrid Federated Learning

NCU Institutional Repository > 管理學院 > 資訊管理研究所 > 博碩士論文 > Item 987654321/95537

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/95537

题名:	Elastic-Trust Hybrid Federated Learning
作者:	朱泳霖;Chu, Yung-Lin
贡献者:	資訊管理學系
关键词:	聯邦式學習;分散式聯邦式學習;混合式聯邦式學習;Federated Learning;Decentralized Federated Learning;Hybrid Federated Learning
日期:	2024-07-22
上传时间:	2024-10-09 16:59:46 (UTC+8)
出版者:	國立中央大學
摘要:	隨著機器學習的蓬勃發展，各組織正在收集大量數據以提高模型性能。然而，隨著對隱私保護的重視，各國政府紛紛立法以保護隱私資料，這無形中增加了組織的數據管理成本。聯邦式學習（FL）的設計初衷是將隱私資料保留在客戶端，減少集中管理敏感數據的風險和負擔。然而，以往的聯邦式學習研究在實踐中遇到了許多挑戰，例如資料異質性、特徵傳輸效率低下以及額外計算量需求等問題，這些都阻礙了聯邦式學習技術的廣泛應用和發展。在我們的新方法中，我們引入了一個包含信任機制和差異聚合策略的兩層聯邦式學習框架（ET-FL）。我們將這一方法應用於多個真實數據集，並驗證了效果。;With the flourishing of machine learning, organizations are gathering vast amounts of data to improve model performance. However, with increasing concerns about data privacy, governments have implemented laws to safeguard private data, thereby raising the cost for organizations. Federated Learning (FL) has been designed to keep private data on clients, reducing the burden of managing sensitive data. Previous research on FL has encountered challenges such as data heterogeneity, feature transmission efficiency, and extra computing power consumption. In our new approach, Elastic-Trust Hybrid Federated Learning (ET-FL), we have introduced a two-layer framework of FL with a Trust mechanism and a differential aggregation strategy. We have applied this methodology to several real datasets and have demonstrated promising experimental results.
显示于类别:	[資訊管理研究所] 博碩士論文

文件中的档案:

档案	描述	大小	格式	浏览次数
index.html		0Kb	HTML	32	检视/开启

在NCUIR中所有的数据项都受到原著作权保护.

社群 sharing

数据加载中.....