TL;DR
- v2 نوع اعلام:.
- جایگزینی متقاطع چکیده:.
- به حداقل رساندن ریسک تجربی (ERM) سنگ بنای یادگیری ماشین مدرن (ML) است که توسط پیشرفتهای تئوری بهینهسازی.
چه اتفاقی افتاد
v2 نوع اعلام:. جایگزینی متقاطع چکیده:.
به حداقل رساندن ریسک تجربی (ERM) سنگ بنای یادگیری ماشین مدرن (ML) است که توسط پیشرفتهای تئوری بهینهسازی. پشتیبانی میشود که راهحلهای کارآمد با نرخهای یادگیری الگوریتمیو آماری قابل اثبات را تضمین میکند.
حریم خصوصی،. حافظه،.
محاسبات و محدودیتهای ارتباطی نیازمند جمع آوری،. پردازش و ذخیره سازی دادهها در دستگاههای متصل به شبکه است.
در بسیاری از برنامهها،. شبکهها در تنظیمات غیرمتمرکز کار میکنند که در آن نمیتوان یک سرور مرکزی را فرض کرد و به.
الگوریتمهای ML غیرمتمرکز نیاز دارد که کارآمد و انعطافپذیر باشند. با این حال، یادگیری غیرمتمرکز با چالشهای مهمیاز جمله افزایش سطح حمله مواجه است.
این مقاله بر حمله مرد در وسط (MITM) متمرکز است،. که در آن دشمنان از آسیبپذیریهای ارتباطی برای تزریق بهروزرسانیهای مخرب در طول آموزش سوء استفاده میکنند و.
بهطور بالقوه باعث میشوند مدلها از راهحلهای ERM مورد نظر خود منحرف میشوند. برای پرداختن به این چالش،.
ما RESIST (یادگیری غیرمتمرکز انعطافپذیر با استفاده از شیب اجماع) را پیشنهاد میکنیم،. یک الگوریتم بهینهسازی طراحی شده برای مقاوم بودن در برابر لینکهای ارتباطی به خطر افتاده،.
که در آن اطلاعات ارسالی ممکن است قبل از دریافت خودسرانه تغییر کند. بر خلاف روشهای یادگیری غیرمتمرکز قوی موجود،.
که اغلب (i) همگرایی را فقط به یک محله از راهحل تضمین میکند،. (ب) فاقد ضمانتهای همگرایی خطی برای مسائل به شدت محدب،.
یا (iii) از ثبات آماری با رشد اندازه نمونهها ناکام است،. RESIST بر هر سه محدودیت غلبه میکند.
این همگرایی الگوریتمیو آماری را برای مشکلات ERM به شدت محدب،. Polyak-Lojasiewicz و غیر محدب با استفاده از یک چارچوب نزولی گرادیان اجماع چند مرحلهای و روشهای غربالگری قوی.
مبتنی بر آمار به دست میآورد. تاثیر حملات MITM را کاهش دهید.
نتایج تجربی استحکام و مقیاسپذیری RESIST را در استراتژیهای حمله،. روشهای غربالگری و توابع از دست دادن نشان میدهد.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.