基于多特征检测与自适应权重调整的鲁棒联邦学习算法

联邦学习作为一种保护隐私的分布式机器学习范式,允许多个客户端在不泄露原始训练数据的情况下协同训练全局模型。然而,由于无法直接访问客户端本地训练数据和无法监控本地训练过程,联邦学习面临各种拜占庭攻击的威胁,如数据中毒和模型篡改攻击。这些攻击旨在扰乱联邦学习模型训练过程,降低模型性能。针对此问题,尽管已有许多研究提出了不同的聚合算法,但这些方法主要聚焦于单一拜占庭攻击场景,而忽略了实际环境中可能出现的混合拜占庭攻击所带来的威胁。为应对这一难题,受净水器的原理启发,提出了一种基于多特征检测与自适应权重调整的新型拜占庭鲁棒聚合算法FL-Sieve,旨在通过多层次的筛查过滤恶意客户端。首先,算法通过角幅相似度和模型边界测度评估客户端间的特征相似性,生成相似度矩阵并计算相似性分数;接着,利用聚类算法将相似的节点归入同一簇,以确保相似的节点能够被正确分类;随后,根据预定义规则筛选潜在良性客户端;最后,根据每个客户端的信任度智能地分配权重,进一步增强防御效果和系统鲁棒性。为了验证FL-Sieve的性能,实验利用了MNIST,Fashion-MNIST和CIFAR-10这3种数据集,考虑了Non-IID数据分布情景和混合拜占庭攻击场景。混合拜占庭客户端的数量从20%递增到49%,以模拟大规模混合拜占庭客户端攻击的场景。同时也对FL-Sieve在IID和Non-IID数据分布以及单攻击场景下的性能进行了测试。实验结果表明,FL-Sieve能够有效抵御不同场景下的拜占庭攻击,即使在高达49%的混合拜占庭客户端攻击下,FL-Sieve依然能够维持较高的主任务准确率。相比之下,几种现有的经典算法存在不同程度的失效,凸显出FL-Sieve的优势。

企业并购与重组中的避税与反避税

并购与重组是我国企业外部扩张型发展的重要途径，企业并购重组业务在我国尚处于探索与发展阶段，相关税收法规显得笼统和模糊，而且存在部分法律真空，这些法律空白使税收法规处于滞后状态。本文从企业并购与重组中的避税操作、西方发达国家的反避税经验与完善我国企业并购反避税制度三个方面探讨了我国企业并购与重组的税收法规构建，以期借鉴发达国家的先进经验，完善我国的税收法规环境。

促进中小企业发展创新税收政策的国际借鉴

中小企业是国民经济中数量最多、分布最广、吸纳就业作用最大的一类实体。也是当前发展战略新兴产业的重要主体。但与发达国家相比．我国中小企业的创新能力远低于大型企业．这降低了中小企业的竞争力，也制约了我国经济的发展。政府是促进中小企业发展的主要力量，中小企业提高创新能力离不开政府的大力支持，这种支持主要体现在从完善立法的角度规范与保护中小企业发展创新，给予相应的税收扶持政策，为其提供良好的外部环境．从而促使中小企业的技术升级和转型，真正促进中小企业的发展。