.png){kind=icon}
返回
Quantization-based chained privacy-preserving federated learning
.png){kind=icon}
OA
AI
DOI：10.1038/s41598-025-01420-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
联邦学习（FL）是一种先进的分布式机器学习框架，在保护数据隐私和安全方面至关重要。通过使多个参与者能够在协作中保持数据本地化进行模型训练，FL有效缓解了集中式存储和原始数据共享带来的风险。然而，传统的FL方案在通信效率、计算成本和隐私保护方面面临重大挑战。例如，其在边缘计算场景中的通信和计算开销往往过高，阻碍了实时应用。本文提出了一种创新的联邦学习框架Q-Chain FL，将量化压缩技术整合到链式FL架构中。该Q-Chain FL方案采用在用户节点高效压缩和传输模型参数差异，并在服务器节点无缝执行解压缩和聚合。在包括MNIST、CIFAR-10和CelebA在内的多个公开数据集上的实验表明，Q-Chain FL具有低通信和计算开销、快速收敛速度和高安全性。与传统的FedAvg和Chain-PPFL相比，Q-Chain FL分别将通信开销降低了约62.5%和44.7%。这些结果强调了Q-Chain FL在不同数据集和真实学习场景中的鲁棒性和适应性。
Keyword:
Federated learning (FL)
Quantization
Privacy-preserving
Lightweight
期刊
IF:
3.9
论文数:
28.3W
被引数:
83.5W
机构
引用论文
Reinforcing defect prediction: a reinforcement learning approach to mitigate class imbalance in software defect prediction强化缺陷预测：一种用于缓解软件缺陷预测中类别不平衡的强化学习方法
PREAI
分享收藏Privacy-Preserving Federated Learning Framework Based on Chained Secure Multiparty Computing基于链式安全多方计算的隐私保护联邦学习框架
PREAI
分享收藏Data Mining and Analytics in the Process Industry: The Role of Machine Learning流程工业中的数据挖掘和分析: 机器学习的作用.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏
查看更多内容