面向纵向联邦学习的对抗样本生成算法

陈晓霖; 昝道广; 吴炳潮; 关贝; 王永吉

doi:10.11959/j.issn.1000-436x.2023149

您当前的位置：

首页 >

文章列表页 >

面向纵向联邦学习的对抗样本生成算法

学术论文 | 更新时间：2024-05-31

- 面向纵向联邦学习的对抗样本生成算法
- Adversarial sample generation algorithm for vertical federated learning
- “在纵向联邦学习领域，专家提出了VFL-GASG算法，有效解决了高通信成本和快速模型迭代问题，为提升系统鲁棒性提供新方案。”
- 通信学报 2023年44卷第8期页码：1-13
- 作者机构：
  
  1. 中国科学院软件研究所协同创新中心，北京 100190
  2. 中国科学院大学计算机科学与技术学院，北京 100049
  3. 中国科学院软件研究所集成创新中心，北京 100190
- 作者简介：
  
  [ "陈晓霖（1996- ），男，山东潍坊人，中国科学院软件研究所博士生，主要研究方向为机器学习、联邦学习、隐私计算" ]
  [ "昝道广（1997- ），男，山东济宁人，中国科学院软件研究所博士生，主要研究方向为自然语言处理、代码生成" ]
  [ "吴炳潮（1994- ），男，浙江绍兴人，中国科学院软件研究所博士生，主要研究方向为人工智能、推荐系统" ]
  [ "关贝（1986- ），男，山西运城人，博士，中国科学院软件研究所高级工程师，主要研究方向为人工智能和大数据、网络安全技术、虚拟化技术、操作系统技术、云计算" ]
  [ "王永吉（1962- ），男，辽宁营口人，博士，中国科学院软件研究所研究员、博士生导师，主要研究方向为人工智能、大数据分析、智能制造、云计算、隐蔽信道、高可信网络技术" ]
- 基金信息：
  
  国家自然科学基金资助项目(61762062)
- DOI：10.11959/j.issn.1000-436x.2023149
  中图分类号： TP309.2
- 网络出版日期：2023-08，
  
  纸质出版日期：2023-08-25
- 稿件说明：
移动端阅览
陈晓霖, 昝道广, 吴炳潮, 等. 面向纵向联邦学习的对抗样本生成算法[J]. 通信学报, 2023,44(8):1-13.

Xiaolin CHEN, Daoguang ZAN, Bingchao WU, et al. Adversarial sample generation algorithm for vertical federated learning[J]. Journal on communications, 2023, 44(8): 1-13.
陈晓霖, 昝道广, 吴炳潮, 等. 面向纵向联邦学习的对抗样本生成算法[J]. 通信学报, 2023,44(8):1-13. DOI： 10.11959/j.issn.1000-436x.2023149.

Xiaolin CHEN, Daoguang ZAN, Bingchao WU, et al. Adversarial sample generation algorithm for vertical federated learning[J]. Journal on communications, 2023, 44(8): 1-13. DOI： 10.11959/j.issn.1000-436x.2023149.

浏览量

551

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于机器学习的加密流量分类研究综述

面向代码重用检测的程序语义分析模型

工业互联网流量分析技术综述

同态明文-密文矩阵运算及其应用

基于雅可比显著图的电磁信号快速对抗攻击方法

面向纵向联邦学习的对抗样本生成算法

Adversarial sample generation algorithm for vertical federated learning

DOI：10.11959/j.issn.1000-436x.2023149