כתבה
arXiv cs.LG ·
למידה פדרטיבית עם פרטיות והתנגדות: פלטפורמה רב-תחומית לאימון דגמים בבנקים ובבתי חולים
Differentially private federated learning with Byzantine-robust aggregation: A cross-domain framework for secure model training in banking and healthcare systems
פלטפורמה רב-תחומית לאימון דגמים בבנקים ובבתי חולים, עם פרטיות והתנגדות. הפלטפורמה משתמשת במודל DP-BR-FedAvg, שמשלב פרטיות גאוסיאנית עם חישוב ממוצע קואורדינטי-קטן. התוצאות המוצגות הן תוצאות של ניסוי שנערך על תפריט סימולציה של סיווג קלאסי.
תקציר מקורי באנגליתarXiv:2609.03064v1 Announce Type: cross Abstract: Federated learning allows banks, hospitals, and other regulated organizations to train a shared model without moving raw records off their own servers, which is attractive wherever data protection law or competitive sensitivity rules out pooling data centrally. Two problems limit how far this promise can be trusted in practice. First, the parameter updates that clients exchange still leak information about local records through gradient inversion and membership inference attacks. Second, an honest averaging rule such as FedAvg has no defense against a subset of clients that submit corrupted or adversarial updates, so a small number of malicious or compromised participants can quietly steer the shared model off course. This paper presents a
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית