Zobrazeno 1 - 6
of 6
pro vyhledávání: '"Ding, Aolin"'
Autor:
Tang, Minxue, Wang, Yitu, Zhang, Jingyang, DiValentin, Louis, Ding, Aolin, Hass, Amin, Chen, Yiran, Li, Hai "Helen"
Federated Learning (FL) provides a strong privacy guarantee by enabling local training across edge devices without training data sharing, and Federated Adversarial Training (FAT) further enhances the robustness against adversarial examples, promoting
Externí odkaz:
http://arxiv.org/abs/2409.08372
Autor:
Tang, Minxue, Zhang, Jianyi, Ma, Mingyuan, DiValentin, Louis, Ding, Aolin, Hassanzadeh, Amin, Li, Hai, Chen, Yiran
Federated adversarial training can effectively complement adversarial robustness into the privacy-preserving federated learning systems. However, the high demand for memory capacity and computing power makes large-scale federated adversarial training
Externí odkaz:
http://arxiv.org/abs/2209.03839
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Ding, Aolin
The rapid growth of cyber-physical systems (CPS), e.g., robotic vehicle (RV), has attracted extensive interest with their potential in numerous public and civilian applications. The safe operation of cyber-physical systems relies on the secure operat
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_________::66cb2cd1a8feebf5e6c90f75db72815d
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.