本文探讨了联邦学习中聚合算子的定制，包括基于随机数和安全计算协议的聚合策略。同时，介绍了激活函数、正则化处理器、代价函数和优化方法在联邦学习场景下的独特应用，如半同态加密的泰勒展开。此外，还讨论了多方安全计算的重要算子，如同态加密、秘密共享和混淆电路等。
聚合算子
聚合算子应根据聚合策略、加密方式进行定制。常见的联邦学习聚合算子定制方法是以随机数为基础，结合多方安全计算协议进行变化。
激活函数
激活函数应包括但不限于：
a) 传统机器学习的激活函数，如 sigmoid、softmax、tanh、softsign 等；
b) 联邦学习的联合激活函数，如基于半同态加密的泰勒展开 sigmoid、基于秘密共享的 ReLU等。
正则化处理器
正则化处理器应包括但不限于：
a) 传统机器学习的正则化处理器，如 L1、L2 等；
b) 联邦学习的联合正则化处理器，如基于半同态加密的泰勒展开 L1、基于半同态加密的泰勒展开L2 等。
代价函数
代价函数应包括但不限于：
a) 传统机器学习的代价函数，如交叉熵（Cross Entropy）、均方误差（Mean Squared Error&
最低0.47元/天 解锁文章
扫一扫
4249
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
