Progressive-Resolution Secure Aggregation for Federated Learning
该论文聚焦联邦学习(FL)中的安全聚合(Secure Aggregation)机制,并指出其一个长期被忽视的功能性局限:在传统协议中,聚合结果的精度(分辨率)在客户端上传更新时就被一次性固定下来。也就是说,服务器与客户端在协议开始前必须就量
共收录 4 条相关情报。
← 返回所有主题该论文聚焦联邦学习(FL)中的安全聚合(Secure Aggregation)机制,并指出其一个长期被忽视的功能性局限:在传统协议中,聚合结果的精度(分辨率)在客户端上传更新时就被一次性固定下来。也就是说,服务器与客户端在协议开始前必须就量
该论文研究 F_3^n 上的向量子集和问题:给定 m 个取自 F_3^n 的随机向量,要求找出一个非空子集使其向量和为零;m 越小,问题越难。该问题与后量子密码(尤其是基于 LWE 的构造)以及组合优化密切相关,也是量子优势研究中的经典试验
本文针对二面体陪集问题(DCP, Dihedral Coset Problem)建立了一条“不可行性”(no-go)定理,属于量子算法与后量子密码学的交叉理论研究。DCP 是 Regev 于 2004 年提出并用于将格上学习带误差问题(LW
本文研究了一类与格筛法(lattice sieving)相关的几何组合问题,具体关注“元组格筛法”(tuple lattice sieving)中的球堆积(sphere packing)界。作者首先定义了“k-不可约”单位向量集:任意二到k