Aprendizaje Federado Personalizado para Reconocimiento de Voz Disártrica
Mejora el reconocimiento de voz disártrica con aprendizaje federado personalizado. Descubre estrategias que reducen el WER hasta un 4.73% relativo. ¡Protege la privacidad!
#federado
Métodos estandarizados para medir huella de carbono en aprendizaje federado
Aprende a medir la huella de carbono en aprendizaje federado con métodos estandarizados. Los resultados muestran diferencias de hasta 21x. ¡Optimiza tu FL!
Aprendizaje Federado Continuo: Estudio sobre Aprendizaje Permanente y Privacidad
¿Quieres saber cómo entrenar modelos de IA con privacidad en datos cambiantes? Lee este estudio integral sobre aprendizaje federado continuo.
Optimización distribuida con métodos primal-dual cuantizados
Descubre q-PDGD, un método primal-dual cuantizado que logra convergencia lineal en optimización distribuida con gradientes estocásticos y comunicación de bits limitados.
Autoencoder Federado con Privacidad para ECG en Dispositivos Edge
Descubre cómo combinar aprendizaje federado, privacidad diferencial y cuantización INT8 para detectar anomalías en ECG en dispositivos edge, manteniendo alta precisión. ¡Lee más!
Detección de anomalías ECG con autoencoder federado y privacidad en edge
Aprende cómo un sistema federado con autoencoder, privacidad diferencial y cuantización INT8 detecta anomalías en ECG en edge, cumpliendo GDPR.
QSplitFL: Selección Óptima de Punto de División en Split Federated Learning
QSplitFL: Deep Q-Learning para seleccionar el punto de división óptimo en SFL, mejorando convergencia y precisión en dispositivos heterogéneos.
MoE y Aprendizaje Federado para Predicción Espaciotemporal
Descubre cómo MoE-FedTP combina aprendizaje federado y redes de expertos para predecir el tráfico en ciudades con pocos datos, preservando la privacidad.
De la heterogeneidad de datos a la convergencia: revisión centrada en datos del aprendizaje federado
Descubre cómo la heterogeneidad de datos afecta la convergencia en aprendizaje federado. Revisión centrada en datos con soluciones prácticas.
Aprendizaje federado descentralizado: ponderación inversa y agregación AoI
DFL-AA corrige sesgo y obsolescencia en aprendizaje federado descentralizado usando ponderación inversa y edad de información. Mejora precisión en redes.
Ponderación Inversa y Edad de la Información para DFL con Recepción Parcial
DFL-AA combina ponderación inversa y edad de la información para eliminar sesgo y obsolescencia en aprendizaje federado descentralizado con redes inalámbricas.
Agregación segura con Top-K en aprendizaje federado descentralizado
Descubre cómo la agregación segura con escasez Top-K reduce costos de comunicación en aprendizaje federado descentralizado, manteniendo precisión del modelo.
Aprendizaje Federado Activo-Pasivo para Datos Multivista con Partición Vertical
Nuevo marco APFed: un cliente activo realiza inferencia independiente en datos multivista con partición vertical, preservando la privacidad.
Modelado generativo composicional con datos descentralizados
DCFM revoluciona el modelado generativo composicional descentralizado, permitiendo nuevas combinaciones sin compartir datos sensibles.
Análisis multinivel del desbalance para no-IID en aprendizaje federado
Descubre cómo FedBB resuelve el desbalance triple en aprendizaje federado con una función de pérdida balanceada y reponderación de clientes, mejorando la precisión y privacidad.
Coordinación de enjambre Edge-to-Cloud para resiliencia costera datos escasos
Coordinación enjambre Edge-to-Cloud logra 89% precisión en datos costeros escasos. Aprende el algoritmo cuántico inspirado.
¿Enseñar a modelos fundacionales qué es una imagen generativa?
Descubre cómo detectar imágenes generativas sin modificar modelos. Método analítico sin gradientes, eficiente, y privado para edge y federated learning.
Aprendizaje federado escalable con privacidad diferencial y agregación segura
Aprende cómo DDP-SA combina privacidad diferencial y agregación segura para un aprendizaje federado escalable y privado con mayor precisión.
Seguridad nativa de IA en bucle cerrado para sistemas ciberfísicos 6G
Descubre cómo la seguridad nativa de IA en bucle cerrado protege sistemas ciberfísicos 6G desde la detección en el borde hasta la mitigación en toda la red.
TAMUNA: Doble Aceleración con Participación Parcial
TAMUNA combina entrenamiento local, compresión y participación parcial en optimización distribuida. Logra convergencia doblemente acelerada. ¡Descúbrelo!