2506406916zhy

摘要： 背景：用户在云服务器存储数据； 问题：现有用户与云服务器交互方式多为一对一；用户支付费用后，得不到云服务器正确且完整的检索结果。 方案：CP-ABE对属性私钥指定树形访问结构 ，实现密文数据的细粒度访问控制->结合SM4分组算法对数据集生成密文 ->依据区块链的公平机制及智能合约 解决云服务器与用户 阅读全文

摘要： 本篇论文的贡献提供了在机器学习中公平地评估数据的一个公式，利用博弈论提出了数据的Shapley值来量化单个数据点对学习任务的贡献。Data Shapley唯一地满足公平估值的三个自然属性。此外，实证研究表明，数据Shapley还有几个额外的实用功能：1）它与通常的LOO分数相比，提供了更多的观察每个 阅读全文

摘要： 面对的问题：激励分配不均、攻击者欺骗 方法：提出FGFL模型。1）设计了时间衰减SLM算法度量工作者声誉；2）设计了基于梯度相似度的轻量级方法度量工作者贡献；3）提出了一种公平的激励机制FGFL，任务发布者根据声誉与贡献乘积确定worker报酬份额，并通过实践验证了方法有效性；4）通过基于区块链的联 阅读全文

摘要： 面对的问题： 参与者虚报成本导致激励分配不匹配 提出了：质量评估方法、基于信誉度的激励分配方法、计算了演化博弈模型达到均衡的解。 本文模型： 质量评估：不是参与者绝对主导，由参与者与组织者共同决定质量评估结果，参与者可主导的指标：准确度、精确度、召回率。做归一化处理；组织者根据模型使用者需求给指标设 阅读全文

摘要： 问题：现有联邦学习研究集中在提高模型精度和完成时间 准确率与效率，即又快又好。然而实际中客户不愿意投入到无回报的FL中。 1前言：机器学习的不足->引出联邦学习->联邦学习面临的挑战，由于这些挑战，引出文章想要强调的事：客户愿意参加FL的前提是能够获得足够的回报。->引出激励机制 引入激励机制的原因 阅读全文

摘要： 这篇论文提出CFFL框架，根据参与者的声誉收敛到不同模型，实现联邦学习公平协作 参考笔记：https://zhuanlan.zhihu.com/p/600343559 方法：衡量声誉标准：参与方上传的梯度质量 阅读全文

摘要： 参考链接：https://www.zhihu.com/people/hidisan/posts 本文提出q-FFL优化算法，在模型准确率不变的情况下，引入q参数化的权重，使损失大的参与者权重更高，降低准确率分布方差，使模型性能更均匀分布，实现联邦学习公平性。 联邦学习的两种公平性：一种是均衡公平性， 阅读全文

摘要： 参考笔记：https://zhuanlan.zhihu.com/p/600585351 前人提到过用Shapley值计算联邦学习数据提供者的贡献，但是计算成本太大复杂度达到了0（N!）。本文定义了一个基于Shapley的度量指标 贡献指数CI ，提出了两种基于梯度的方法，通过训练过程的中间结果，近似 阅读全文

摘要： 这篇论文提出了两种贡献测量的方法，水平FL的删除方法和垂直FL的Shapley值分组特征法。 水平FL：特征相同样本不同 删除方法：每次删除某一个参与者重新训练，贡献 = 原模型-新模型 ，该贡献就是此参与者贡献。 垂直FL：特征不同样本相同 shapley值计算特征的重要性，重要性就是它的贡献 笔 阅读全文

摘要： 精翻：https://blog.csdn.net/weixin_43978453/article/details/104947600 挑战：客户端自身存在计算与通信成本，不给足够的好处不愿意参与训练。 方法：基于合约理论设计了一种激励机制，可有效激励有着高质量数据的客户端加入联邦学习。 思路：贡献的 阅读全文