精彩回顾 | 可信联邦学习医疗领域前沿论文解读
而后以下五篇论文作者从不同角度详细介绍了可信联邦学习的前沿成果。
论文一
论文信息
作者:Yiqiang Chen, Wang Lu, Xin Qin, Jindong Wang, Xing Xie
标题:MetaFed: Federated Learning among Federations with Cyclic KnowledgeDistillation for Personalized Healthcare
论文全文链接:
https://arxiv.org/pdf/2206.08516.pdf
详细解读文章链接:
论文解读 | MetaFed:一种基于环形知识蒸馏的元联邦学习框架
中国科学院计算技术研究所所务委员、博士生导师、陈益强研究员介绍了《MetaFed:一种基于环形知识蒸馏的元联邦学习框架》。该论文提出了"元联邦"既"联邦之联邦"概念,及MetaFed层次化动态环联邦学习框架。通过自适应的环形知识蒸馏,累积通用知识,舍弃冗余知识,以较小通信代价,达到在无中心服务端参与情形下获取精度提升及个性化学习。实验表明,在多联邦建模场景,本文方法能取得目前最好的结果。
论文二
论文信息
作者:Shaoqi Chen, Bin Duan, Chenyu Zhu, Chen Tang, Shuguang Wang, Yicheng Gao, Shaliu Fu, Lixin Fan, Qiang Yang, Qi Liu
标题:Privacy-preserving integration of multiple institutional data for single-cell type identification with scPrivacy
论文全文链接:
https://www.biorxiv.org/content/10.1101/2022.05.23.493074v1.full
详细解读文章链接:
论文解读 | scPrivacy:以隐私保护的方式整合多机构数据的单细胞细胞类型识别框架
论文三
论文信息
作者:Hong Zhang,Ji Liu, Juncheng Jia, Yang Zhou, Huaiyu Dai, Dejing Dou
标题:FedDUAP: Federated Learning with Dynamic Update and Adaptive PruningUsing Shared Data on the Server
论文全文链接:
https://www.ijcai.org/proceedings/2022/0385.pdf
详细解读文章链接:
论文解读 | FedDUAP:基于服务器上共享数据动态更新和自适应剪枝的联邦学习
论文四
论文信息
作者:Jianfei Cui,He Zhu,Hao Deng,Ziwei Chen,Dianbo Liu
标题:MetaFed: Federated Learning among Federations with Cyclic Knowledge Distillation for Personalized Healthcare
论文全文链接:
https://www.sciencedirect.com/science/article/pii/S1532046421000642
论文五
论文信息
作者:Heng Zhu, Qing Ling
标题:Bridging Differential Privacy and Byzantine-Robustness via Model Aggregation
论文全文链接:
https://arxiv.org/abs/2205.00107
详细解读文章链接:
论文解读 | 通过模型聚合同时实现拜占庭鲁棒和差分隐私
联邦学习领域专家们的研究正在逐渐为可信联邦学习打下坚实的基础。于此同时,仍存在如何实现隐私保护、模型性能、计算效率三者的平衡,如何提高决策的可解释性,如何保证模型可监管、可审计等热点问题亟待解决。我们期待在产学研各界的共同努力下,可信联邦学习从理论完美走向实用完美,为数字经济的发展和数据要素流通提供良好的解决方案。
点击下方获取直播完整视频
END
【github直达】:阅读原文或复制链接https://github.com/FederatedAI/FATE即可,点击star,方便下次使用。