写文章
- @m0_49866160
简介
该用户还未填写简介
擅长的技术栈
未填写擅长的技术栈
可提供的服务
暂无可提供的服务
联邦学习中的安全与隐私问题综述
联邦学习中的安全与隐私问题的详细综述
联邦学习中客户端-服务器攻击与防御综述
联邦学习 (FL) 提供去中心化机器学习 (ML) 功能，同时可以保护数据隐私。然而，这种架构带来了独特的安全挑战。客户端训练数据、本地模型、FL 通道、服务器端聚合参数和全局模型。我们进一步讨论为本地和全局模型量身定制的防御机制。通过我们的调查，我们阐明了FL 固有的漏洞，并提供了确保鲁棒性的对策的见解。我们的研究结果强调了双重重点策略的重要性，即解决客户端和服务器级别的安全问题。表 1 和表
【如何避免虚拟环境创建在C盘的方法】
python中避免虚拟环境创建在C盘的方法
卷积层、池化层输出图片大小计算
卷积层、池化层的输出图片大小计算
预训练模型与直接训练模型的区别
预训练模型和直接训练模型的区别
pycharm运行终端部署（Anaconda终端与Git运行终端）
pycharm运行终端部署（Anaconda运行环境和Git运行环境）
模型评估指标总结（预测指标、分类指标、回归指标）
关于模型指标评估总结，涉及预测指标（MAE/MSE/RMSE/等）、分类指标（PR曲线、ROC曲线和AUC曲线）和回归指标（MAE、MSE），还有深度学习中的一些概念如：KL散度、JS散度、常用损失函数，鲁棒性与泛化性
模型评估指标总结（预测指标、分类指标、回归指标）
关于模型指标评估总结，涉及预测指标（MAE/MSE/RMSE/等）、分类指标（PR曲线、ROC曲线和AUC曲线）和回归指标（MAE、MSE），还有深度学习中的一些概念如：KL散度、JS散度、常用损失函数，鲁棒性与泛化性
