Machine Learning,Cryptography and Security,Distributed, Parallel, and Cluster Computing,یادگیری ماشین , رمزنگاری و امنیت , توزیع شده , موازی و محاسبات خوشه ای ,
توضیحات
Submitted 2 September, 2024; originally announced September 2024.
توضیحات به فارسی
ارسال شده در 2 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Federated Learning (FL) enables multiple clients to collaboratively train a model without sharing their local data. Yet the FL system is vulnerable to well-designed Byzantine attacks, which aim to disrupt the model training process by uploading malicious model updates. Existing robust aggregation rule-based defense methods overlook the diversity of magnitude and direction across different layers of the model updates, resulting in limited robustness performance, particularly in non-IID settings. To address these challenges, we propose the Layer-Adaptive Sparsified Model Aggregation (LASA) approach, which combines pre-aggregation sparsification with layer-wise adaptive aggregation to improve robustness. Specifically, LASA includes a pre-aggregation sparsification module that sparsifies updates from each client before aggregation, reducing the impact of malicious parameters and minimizing the interference from less important parameters for the subsequent filtering process. Based on sparsified updates, a layer-wise adaptive filter then adaptively selects benign layers using both magnitude and direction metrics across all clients for aggregation. We provide the detailed theoretical robustness analysis of LASA and the resilience analysis for the FL integrated with LASA. Extensive experiments are conducted on various IID and non-IID datasets. The numerical results demonstrate the effectiveness of LASA. Code is available at \url{https://github.com/JiiahaoXU/LASA}.
چکیده به فارسی (ترجمه ماشینی)
یادگیری فدرال (FL) چندین مشتری را قادر می سازد تا بدون به اشتراک گذاشتن داده های محلی خود ، یک مدل را به طور مشترک آموزش دهند.با این حال ، سیستم FL در برابر حملات بیزانس به خوبی طراحی شده آسیب پذیر است ، که هدف آن مختل کردن فرایند آموزش مدل با بارگذاری به روزرسانی های مدل مخرب است.روشهای دفاعی مبتنی بر قاعده مستحکم موجود ، از تنوع بزرگی و جهت در لایه های مختلف به روزرسانی های مدل غافل می شوند و در نتیجه عملکرد استحکام محدود ، به ویژه در تنظیمات غیر IID.برای پرداختن به این چالش ها ، ما رویکرد تجمع مدل پراکنده لایه (LASA) را پیشنهاد می کنیم ، که ترکیبی از پراکندگی قبل از تجمع با تجمع تطبیقی لایه ای برای بهبود استحکام است.به طور خاص ، LASA شامل یک ماژول قبل از تجمع است که به روزرسانی ها را از هر مشتری قبل از تجمع ، کاهش می دهد ، تأثیر پارامترهای مخرب و به حداقل رساندن تداخل از پارامترهای مهمتر برای فرآیند فیلتر بعدی را کاهش می دهد.بر اساس به روزرسانی های پراکنده ، یک فیلتر تطبیقی لایه ای از لایه ها ، لایه های خوش خیم را با استفاده از معیارهای بزرگی و جهت در همه مشتری ها برای جمع آوری انتخاب می کند.ما تجزیه و تحلیل استحکام نظری تفصیلی از LASA و تجزیه و تحلیل مقاومت برای FL را که با LASA یکپارچه شده است ارائه می دهیم.آزمایش های گسترده ای بر روی مجموعه داده های مختلف IID و غیر IID انجام می شود.نتایج عددی اثربخشی LASA را نشان می دهد.کد در \ url {https://github.com/jiiahaoxu/lasa} در دسترس است.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
