DP-FedCMRS: Privacy-Preserving Federated Learning Algorithm to Solve Heterogeneous Data

In federated learning, non-independently and non-identically distributed heterogeneous data on the clients can limit both the convergence speed and model utility of federated learning, and gradients can be used to infer original data, posing a threat to user privacy. To address these issues, this pa...

Πλήρης περιγραφή

Λεπτομέρειες βιβλιογραφικής εγγραφής

Κύριοι συγγραφείς:	Yang Zhang, Shigong Long, Guangyuan Liu, Junming Zhang
Μορφή:	Artigo
Γλώσσα:	Inglês
Έκδοση:	IEEE 2025-01-01
Σειρά:	IEEE Access
Θέματα:	Federated learning differential privacy non-IID data clustering
Διαθέσιμο Online:	https://ieeexplore.ieee.org/document/10910083/
Ετικέτες:	Προσθήκη ετικέτας Δεν υπάρχουν, Καταχωρήστε ετικέτα πρώτοι!