跳到正文
arXiv · ML· Ojaswi Sinha, Amin Farajzadeh, Animesh Yadav, Melike Erol-Kantarci·· 4 天前AI 评分20

FedSharp:无噪信道下拜占庭鲁棒去中心化联邦学习

FedSharp: Byzantine Robust Decentralized Federated Learning Under Noisy Channel

AI 导读

论文提出 FedSharp 框架,解决去中心化联邦学习中信道噪声累积及拜占庭攻击问题。在 100 节点环且含 33 个拜占庭节点的实验中,FedSharp 在 MNIST 上准确率达 93.5%-94.9%,显著优于单模型选择基准的 29.4%-38.1%。

来源:arXiv · ML · arxiv.org