메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술대회자료
저자정보
Ignatius Iwan (Hankuk University of Foreign Studies) Sean Yonathan Tanjung (Hankuk University of Foreign Studies) Bernardo Nugroho Yahya (Hankuk University of Foreign Studies) Seok Lyong-Lee (Hankuk University of Foreign Studies)
저널정보
대한산업공학회 대한산업공학회 추계학술대회 논문집 2023년 대한산업공학회 추계학술대회
발행연도
2023.11
수록면
2,671 - 2,691 (21page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Federated learning (FL) offers a decentralized way to train a generalized global model between a server and a bunch of clients while respecting the confidentiality of the client’s data. For real-life implementations, the server needs client selection algorithms to select honest clients whose labeled data are similar to the server interest and eliminate clients with data that are too different from the server interest which are called malicious clients. To achieve this, the server usually checks each client’s local model performance using a labeled dataset as the test set. Unfortunately, this assumption is a hard constraint, as the server may have data of interest from other sources, but they are often unlabeled. To solve this limitation, this study proposes a way to eliminate malicious clients by comparing their data description and server data description using the Large Language Model (LLM) where data description is in the form of a text. As LLM can perform well for semantic tasks in text-based data, it can help to separate honest and malicious clients by analyzing and comparing each client’s data descriptions with server data descriptions. First, all available clients sample data from their local dataset and transform it into data descriptions to be sent to the server. After clients send their data descriptions to the server, LLM proceeds to compare their data descriptions and outputs a list of honest clients. For performance evaluation, this study experimented on image dataset such as MNIST and CIFAR-10 datasets using a pretrained image-to-text model to obtain the data descriptions. This study demonstrated that the proposed method outperformed the baselines.

목차

Abstract
Introduction
Problem & Contribution
Related Works
Methodology
Experiment Setting
Result
Conclusion
Reference

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-24-02-088370490