.png){kind=icon}
返回
Decentralized Byzantine-Resilient Dictionary Learning
.png){kind=icon}
PRE
AI
DOI：10.1002/sta4.70102.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，去中心化字典学习已成为一个热门话题。然而，关于涉及拜占庭攻击场景的研究相对匮乏。本文提出了一种新颖的去中心化拜占庭鲁棒字典学习（BRDL）算法，旨在解决数据在去中心化网络中的分布以及潜在的拜占庭故障这两大挑战。通过利用交替优化、去中心化梯度下降和坐标级截断均值（CTM）等技术，该算法确保了收敛性和对拜占庭攻击的鲁棒性。理论分析表明，该算法在诚实节点之间达成一致，并保证即使在存在潜伏拜占庭攻击的情况下，目标函数也能收敛。模拟和实际应用验证了本算法在处理拜占庭攻击方面的有效性，展示了其相比主流去中心化字典学习方法的优越鲁棒性。
Keyword:
Byzantine failure
decentralized optimization
dictionary learning
signal compression and reconstruction
期刊
S
IF:
0.8
论文数:
59
被引数:
655
机构
暂无机构信息
引用论文
Locality-sensitive dictionary learning for sparse representation based classification.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
分享收藏Reconstruction of Magnetic Resonance Imaging by Three-Dimensional Dual-Dictionary Learning基于三维双字典学习的磁共振成像重建
OAAI
OAAI分享收藏
查看更多内容