TL;DR
- چکیده:.
- یادگیری فدرال (FL) چندین مشتری را قادر میسازد تا بهطور مشترک یک مدل یادگیری ماشین جهانی را.
- از طریق یک سرور بدون اشتراک گذاری دادههای آموزشی خصوصی خود آموزش دهند.
چه اتفاقی افتاد
چکیده:. یادگیری فدرال (FL) چندین مشتری را قادر میسازد تا بهطور مشترک یک مدل یادگیری ماشین جهانی را.
از طریق یک سرور بدون اشتراک گذاری دادههای آموزشی خصوصی خود آموزش دهند. در FL سنتی،.
سیستم از یک رویکرد همزمان پیروی میکند،. که در آن سرور برای به روز رسانی مدل از مشتریان متعدد قبل از جمع آوری آنها برای.
به روز رسانی مدل جهانی منتظر میماند. با این حال، FL همزمان با مشکل straggler مانع میشود.
برای رفع این مشکل،. معماری FL ناهمزمان به سرور اجازه میدهد تا مدل جهانی را بلافاصله پس از دریافت بهروزرسانی مدل محلی.
مشتری،. بهروزرسانی کند.
با وجود مزایای آن، ماهیت غیرمتمرکز FL ناهمزمان آن را در برابر حملات مسمومیت آسیب پذیر میکند. چندین دفاع مناسب برای FL ناهمزمان پیشنهاد شدهاند،.
اما این مکانیسمها مستعد حملات پیشرفته هستند یا بر فرضیات غیرواقعی سرور تکیه میکنند. در این مقاله،.
ما SecureAFL را معرفی کنید،. یک چارچوب خلاقانه که برای ایمن سازی FL ناهمزمان در برابر حملات مسمومیت طراحی شده است.
SecureAFL استحکام FL ناهمزمان را با شناسایی و کنار گذاشتن بهروزرسانیهای غیرعادی و در عین حال تخمین مشارکت. مشتریان از دست رفته،.
بهبود میبخشد. علاوه بر این،.
از تکنیکهای تجمیع قوی بیزانسی،. مانند میانه مختصات،.
برای ادغام بهروزرسانیهای دریافتی و تخمینی استفاده میکند. آزمایشهای گسترده بر روی مجموعه دادههای مختلف دنیای واقعی، اثربخشی SecureAFL را نشان میدهد.
برای نمایش در ACM AsiaCCS 2026 رمزنگاری و امنیت (cs. CR)؛ محاسبات توزیع شده، موازی و خوشهای (cs.
DC)؛ یادگیری ماشینی (cs. LG) استناد بهعنوان: (یا v1 [cs.
CR] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:.
Minghong Fang [مشاهده ایمیل] [v1] شنبه،. 4 آوریل 2026،.
21:. 03:.
19 UTC (216 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.