联邦学习是一种很有前途的隐私保护机器学习技术，它可以使多个客户端能够通过共享模型参数来训练联合全局模型。然而，低效率和易受中毒攻击的脆弱性显著降低了联邦学习的性能。为了解决上述问题，我们提出了一种动态异步反中毒攻击联邦深度学习框架，以追求效率和安全性。本文提出了一种考虑平均频率控制和参数选择的轻量级动态异步算法，用于联邦学习以加快模型平均速度并提高效率，使联邦学习能够自适应地去除计算能力低、信道条...

联邦学习广泛用于无线网络环境中，以保护敏感的用户数据。然而，集中式联邦学习在应用于社交车联网时会遇到一些问题，特别是通信效率低和计算成本高。为了缓解通信瓶颈，保护车辆用户数据隐私，本文提出了基于用户信任链的条件选择概率-联邦深度学习算法。该算法引入了用户间信任元素，从车辆-用户关系的角度来表征车辆连接网络。它基于用户节点的单向信任原子链和循环链计算节点条件选择信任概率。然后执行本地模型交互以完成分...