Federated Learning 联邦学习概述及最新工作

最新推荐文章于 2024-07-09 20:40:19 发布
最新推荐文章于 2024-07-09 20:40:19 发布
阅读量1.4k 收藏 10
点赞数 1
分类专栏： 论文研读 文章标签： 人工智能 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Always_ease/article/details/117924851
版权
本文概述了联邦学习的主流应用场景，包括Horizontal、Vertical和Transfer Learning，并介绍了Split Learning及其优势与不足。SplitFed是FL与SL的结合，旨在克服两者缺点。文章还探讨了联邦学习中的激励机制和非IID数据问题，并提到了知名平台的相关工作。
摘要由CSDN通过智能技术生成

声明：以后会逐渐转移到某乎啦，有兴趣的伙伴可以关注：霁月

 

一、目前主流的联邦学习应用场景

 

Cross-silo FL

Cross-device FL

Setting

Training a model on siloed data. Clients are from different organizations (e.g. medical or financial) or geo-distributed datacenters.

The clients are a very large number of mobile or IoT (物联网) devices

医疗方面，可能有未来的家庭医生hhh

Data

distribution

Data is generated locally and remains decentralized.

Distribution

scale

Typically 2 - 100 clients.

Massively parallel, up to 10^10 clients.

Addressability

Each client has an identity or name that allows the system to access it specifically.

Clients cannot be indexed directly (i.e.,

no use of client identifiers).

不知道哪些数据已经收集，有重复手机训练的可能性

最低0.47元/天 解锁文章
Always_ease
关注
  • 1
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
TOWARDS FEDERATED LEARNING AT SCALE SYSTEM DESIGN.pdf
02-29
联邦学习是一种分布式机器学习方法，可对大量分散数据进行模型训练。我们已在TensorFlow的基础上为移动设备领域的联合学习构建了可扩展的生产系统。在本文中，我们描述了由此产生的高级设计，概述了一些挑战及其解决...
FedDefender: Client-Side Attack-Tolerant Federated Learning
volcan的博客
03-06 920
与现有的大部分方法不同，FedDefender是在客户端层面的防御机制。方法叠的有点多。
横向联邦学习（Horizontal Federated Learning）VS 纵向联邦学习（Vertical Federated Learning）
Xiao_Bai_Ke的博客
02-27 1万+
1.横向联邦学习：适用于参与者的数据特征维度重叠较多的情形： 目的：增加训练数据的数据量 例如甲医院有患者：A，B，C；乙医院有患者C，D，F这六位患者，甲乙医院都有患者的身高，体重，血压，心跳等信息，那么进行联邦学习一个判断患者健康状况的模型时，就可以使用横向联邦学习： 示例： 2.纵向联邦学习：适用于参与者数据ID特征重叠较多的情形： 目的：增加参与者数据的数据维度 例如甲医院...
深入探索联邦学习框架 Flower
易迟的专栏
07-09 1376
通过上面的内容，将 Flower 框架的动手实践以及对应的实现细节都介绍到了，主要涉及到 Flower 三大核心组件中的 Strategy 与 FL loop，而 ClientManager 目前没有过多展开，这部分主要用于管理客户端的连接，有兴趣的可以自行去探索下。从目前来看，Flower 基本上是一个最精简的横向联邦学习的实现方案了，通过必要的抽象简化，Flower 将横向联邦用简单易用的方式进行了封装，对于了解横向联邦学习有很大的帮助。
联邦学习基础介绍
weixin_44458771的博客
09-19 5053
联邦学习（Federated Learning）是一种分布式机器学习技术，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练，不需要交换本地数据，仅通过交换模型参数或中间结果来构建基于虚拟融合数据下的全局模型，从而实现数据隐私保护和数据共享计算的平衡。
联邦学习（Federated Learning）
热门推荐
培根芝士的专栏
11-26 4万+
联邦学习简介 联邦学习（Federated Learning）是一种新兴的人工智能基础技术，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。其中，联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。 联邦学习的系统构架 以包含两个数据拥有方（即企业 A 和 B）的场景为例介绍联邦学习的系统构架。该构架可扩展至包含多个数据拥有方的场景。假
联邦学习-简述
weixin_44734484的博客
03-01 2760
联邦学习（Federated Learning）是一种新兴的人工智能基础技术，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。其中，联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础
FEDSD具有共享标签分发的医疗联邦学习图像分类
07-23
本文介绍了一种新的联邦学习方法——FEDSLD（Federated Learning with Shared Label Distribution），该方法旨在通过共享各个参与方的标签分布来缓解由数据异质性带来的优化不稳定问题，并提高图像分类任务的性能。...
用Python实现本地模拟横向联邦学习
06-06
联邦学习（Federated Learning）是一种分布式机器学习方法，它允许在不共享原始数据的情况下进行协作训练。在“用Python实现本地模拟横向联邦学习”的场景中，我们将关注如何使用Python来构建一个简单的模拟环境，...
iBond-flex:FLEX（Federated Learning EXchange，FLEX）协议是同盾人工智能研究组设计的一套标准化的联邦学习协议
05-29
FLEX（Federated Learning Exchange）协议是同盾人工智能研究组设计的一套标准化的联邦学习协议。 FLEX 协议设置了参与者之间联邦学习过程中数据交换的顺序，以及交换前后使用的数据加密和解密方法。 遵守这些协议，...
集成CNN和联邦学习胸部X射线图像上的COVID-19检测
最新发布
07-23
为了解决这一问题，本文提出了一种结合卷积神经网络（Convolutional Neural Networks, CNN）与联邦学习（Federated Learning, FL）的方法，旨在提高COVID-19在胸部X射线图像上的检测准确性与稳定性。 #### 卷积神经...
提高联邦学习的性能基于非IID设置的医学图像分析使用图像增强
07-23
联邦学习（Federated Learning, FL）作为一种新兴的数据处理框架，旨在解决敏感数据的利用问题，尤其是在严格隐私限制下操作的患者、个人、公司或行业的数据。通过联邦学习，多个边缘设备或组织能够在不共享原始数据...
Federated Accelerated Stochastic Gradient Descent
04-23
- **联邦学习（Federated Learning, FL）**：一种分布式机器学习范式，允许多个设备或服务器合作训练模型而无需集中数据，从而保护数据隐私。 - **联邦平均（Federated Averaging, FedAvg）**：联邦学习中最常用的...
6.TOWARDS FEDERATED LEARNING AT SCALE----SYSTEM DESIGN(Google)(2019.3.22)(1).pdf
07-27
2019/02发布的关于联邦学习的论文 联邦学习是一种分布式机器学习方法，它支持对大量分散数据进行模型训练。基于TensorFlow，我们构建了一个可伸缩的面向移动设备领域的联邦学习生产系统。在本文中，我们描述了最终的...
Communication-Efficient Learning of Deep Networks.pdf
08-13
本文是关于联邦学习（Federated Learning）的一篇经典论文，讨论了如何在保护用户隐私的情况下，使用分布式数据训练深度神经网络模型。论文的作者来自 Google 公司，论文发表在 2017 年的 AISTATS 会议上。 在论文...
【概念学习】联邦学习的三个类别+【论文阅读】异步联邦学习
YasmineC的博客
03-11 6612
基于数据的分布特点将联邦学习分为三类： 横向联邦学习（Horizontal Federated Learning）：共享相同的特征空间，但是不同的样本（也就是一般遇到的情况，每个client拿到模型，独立用自己的样本集训练，获得自己的损失，计算自己的梯度，来更新模型） 纵向联邦学习（Vertical Federated Learning）：共享相同的样本ID（就是指示每个样本的关键字），但是不同的特征空间 一个例子是，一个城市的一家银行和电商公司可能拥有相同的用户集，但银行记录的是用户的收支行为，电商公司记
SplitFed: When Federated Learning Meets Split Learning
tiger00O的博客
03-05 1575
联邦学习
【CVPR 2021联邦学习论文解读】Model-Contrastive Federated Learning (MOON) 联邦学习撞上对比学习
捡起一束光的博客
01-19 8835
- 传统的对比学习是data-level的，本文改进了FedAvg的本地模型训练阶段，提出了model-level的联邦对比学习（Model-Contrastive Federated Learning） - 作者从NT-Xent loss中获得灵感，提出了model-contrastive loss。model-contrastive loss可以从两方面影响本地模型 1. 本地模型能够学到接近于全局模型的representation 2. 本地模型可以学到比上一轮本地模型更好的representatio
Federated Learning
07-27
Federated Learning是一种机器学习框架，旨在解决数据隐私和数据安全的问题。在传统的机器学习中，数据通常需要集中在一个中央服务器上进行训练。然而，这种集中式的方法可能涉及到用户隐私的问题，尤其是当涉及到...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值