Fed-EHP: Efficient and Heterogeneous Privacy-Preserving Personalized Federated Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Personalized federated learning (pFL) has emerged as a promising paradigm for mitigating client heterogeneity in distributed machine learning. In cross-device scenarios, however, the continuous generation of sensitive data by clients introduces severe communication bottlenecks and privacy risks, limiting the effectiveness of existing pFL methods. To ad dress these challenges, we propose Fed-EHP, a novel privacy preserving and communication-efficient framework for hetero geneous pFL. The originality of Fed-EHP lies in its task-specific synergistic integration of three customized components within a unified fog-assisted architecture: 1) Data-aware client clustering at the fog layer to alleviate statistical heterogeneity and reduce communication load; 2) MIFE-based secure aggregation to ensure strong privacy protection against inference attacks while preserving model utility; and 3) Cluster-driven personalized knowledge distillation to effectively address model heterogeneity and boost personalization across devices and fog nodes. To demonstrate privacy guarantee and security of the proposed framework, we provide a formal security analysis. We also con duct extensive experiments on MNIST, Fashion-MNIST, CIFAR 10, and CIFAR-100. Fed-EHP consistently delivers notable im provements in both accuracy and communication efficiency over state-of-the-art pFL methods. These results demonstrate that our integrated and customized framework enables capabilities and performance gains that are unattainable using existing techniques in isolation, establishing Fed-EHP as a practical and reliable solution for real-world heterogeneous federated learning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,008 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle