Federated Learning 联邦学习概述及最新工作

最新推荐文章于 2024-08-14 15:49:45 发布
最新推荐文章于 2024-08-14 15:49:45 发布
阅读量1.5k 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
专栏目录
联邦学习(Federated Learning) 原理与代码实例讲解
程序员光剑
07-09 968
联邦学习(Federated Learning) - 原理与代码实例讲解 作者：禅与计算机程序设计艺术 / Zen and the Art of Computer Programming 关键词：联邦学习、隐私保护、分布式机器学习、数据孤岛、合作学习
AI之FL：联邦学习(Federated Learning，分布式机器学习技术)的分类详解(纵向联邦学习/横向联邦学习)、使用方法、实战案例之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
09-21 2898
​ AI之FL：联邦学习(Federated Learning，分布式机器学习技术)的分类详解(纵向联邦学习/横向联邦学习)、使用方法、实战案例之详细攻略 目录 联邦学习的分类详解(纵向联邦学习/横向联邦学习) 联邦学习的使用方法 联邦学习的实战案例 相关文章 AI之FL：联邦学习(Federated Learning，分布式机器学习技术)的简介(背景/思想/特点/优势/未来展望/发展史)、系统及其架构、场景应用之详细攻略 AI之FL：联邦学习(Federated Learning，分布
纵向联邦学习
武天旭的博客
03-16 1万+
一、纵向联邦学习的定义 纵向联邦学习（VFL）一般是适用于数据集上具有相同的样本空间、不同的特征空间的参与方所组成的联邦学习场景，纵向联邦学习也可以理解为按特征划分的联邦学习。 举个例子，我们假设有两家公司A和B想要协同地训练一个机器学习模型，每一家公司都拥有各自的数据。例如保险公司与银行合作，根据同一用户的购买历史与消费习惯，为该用户提供定制化的服务；医院与制药公司合作，通过利用同类患者的医疗记录，从而治疗患者的慢性疾病，并降低患者未来住院治疗的风险。
【论文代码】Federated learning benchmark LEAF详解（一）
erquechengxuyuan的博客
01-19 937
LEAF : A Benchmark for Federated Settings 官方项目分析
联邦学习——计算机视觉篇（上）
最新发布
qq_45672511的博客
08-14 379
计算机视觉通过利用深度学习工具完成任务，然而，这需要大规模数据集来训练机器学习模型，这给集中式机器学习算法带来了挑战。处理所需的大量计算负载以及与在中央云服务器上存储和处理数据相关的潜在隐私风险使这些算法面临严重压力。为了解决这些问题，联邦学习(FL)作为一种很有前途的解决方案出现了，它允许通过在本地训练模型并交换模型来保护隐私，从而提高整体性能。此外，计算负载分布在多个客户机上，减少了中央服务器的负担。本文详细介绍联邦学习以及其中不同聚合算法的原理和优缺点
联邦学习学习记录-初步
qq_39103283的博客
08-03 397
2021年8月3日 联邦学习概念 大数据是人工智能发展的燃料和助推剂，但是现实中数据很多是小规模且碎片化的，高质量和大数据量的训练数据很难获得。数据规模小，或者缺少标签，或者缺少部分重要特征值等，面临数据孤岛现象。 Federatd Learning联合多个参与方建立一个基于分布数据集的可共享的联邦学习模型，需兼顾隐私保护和数据安全。 1、 模型训练阶段，模型相关的信息可以在各方之间交换(加密形式)，但是数据不能交换。 2、 模型推理阶段，训练好的联邦学习模型可以放置于联邦学习系统的各参与方，也可以供多方共
FedDefender: Client-Side Attack-Tolerant Federated Learning
volcan的博客
03-06 924
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。
联邦学习基础介绍
weixin_44458771的博客
09-19 5300
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+拆分学习|SplitFed: When Federated Learning Meets Split Learning
weixin_43235829的博客
03-29 8061
研究背景： 对于机器学习 一个简单的方法是对原始数据进行中央池化。然后，分析人员访问汇集数据的中央存储库，对整个数据集进行ML。这种方法称为Data-toModeler (DTM)[3]。 第二种方法是利用分布式协作学习(DCL)。它支持在多个系统或服务器和终端设备(如移动电话)上进行计算，而数据驻留在源设备中。由于分布式数据不是集中在一个中央存储库中，DCL为数据集提供了一定程度的隐私。但是，仍然存在隐私风险，因为服务器或分布式系统可能不是受信任的平台。在这方面，人们提出了各种保护隐私的计算技术。包括同
【论文阅读——SplitFed: When Federated Learning Meets Split Learning】
qq_45467608的博客
04-11 1523
联邦学习（FL）和分割学习（SL）是两种流行的分布式机器学习方法。两者都采用了模型对数据的场景；客户端在不共享原始数据的情况下训练和测试机器学习模型。由于机器学习模型的架构在客户端和服务器之间分割，SL提供了比FL更好的模型隐私性。此外，分割模型使SL成为资源受限环境的更好选择。然而，由于在多个客户端之间基于中继进行训练，SL的速度比FL慢。
论文阅读笔记—Model-Contrastive Federated Learning(Abstract)
qq_42447728的博客
09-08 221
联邦学习使(enables)多方(multiple parties)能够在不交流(without communicating)本地数据的情况下协作(collaboratively)训练机器学习模型。联合学习中的一个关键挑战(A key challenge)是处理(handle)跨各方(across parities)的本地数据分布(local data distribution)的异构性(heterogeneity)。
AI之FL：联邦学习(Federated Learning，分布式机器学习技术)的简介(背景/思想/特点/优势/未来展望/发展史)、系统及其架构、场景应用之详细攻略
近期请国内外头部出版社可尽快私信博主！——心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，谦虚，自律，反思，成长，还算是比较正能量的博主，公益免费传播……内心特别想在AI界做出一些可以推进历史进程影响力的东西(兴趣使然，有点小情怀，也有点使命感呀)…
04-27 1万+
​ AI之FL：联邦学习(Federated Learning，分布式机器学习技术)的简介(背景/思想/特点/优势/未来展望/发展史/系统及其架构)、系统及其架构、场景应用之详细攻略 目录 联邦学习的简介 联邦学习系统及其架构 联邦学习的场景应用 联邦学习的简介 1、联邦学习诞生的背景 背景 随着公众对保护隐私数据诉求的日趋强烈，以及政策制定者也越来越意识到隐私的重要性。同时，在数据实践中，对保护隐私的机器学习的需求也正在上升，对于数据的访问受到越来越多的审查，对联邦
Label Inference Attacks Against Vertical Federated Learning
Seaern的博客
04-01 1234
USENIX Security 2022 摘要： 随着欧盟《通用数据保护条例》、中国《中华人民共和国数据安全法》等法案的颁布实施，联邦学习（Federated Learning，FL）作为一种具有隐私保护属性的分布式机器学习模型训练范式，日益被各大互联网公司所重视。 FL中的分支之一，水平联邦学习（Horizontal Federated Learning，HFL）适用于如下场景：各个训练参与者（或称数据提供者，以下统一称为“参与者”）的数据集在特征空间对齐，而在样本空间互不重叠；例如两个不同地域的地
个性化联邦学习综述
联邦学习小白
06-16 1万+
《Personalized federated learning for intelligent iot applications》
具有宽度网络架构的联邦持续学习
Tycoon_ys的博客
10-07 346
然而，由于新数据集是随着时间的推移而产生的，如果直接使用全局权重来更新本地模型，则不使用新生成的数据集。因此，本地独立的训练方案可以。具体来说，所有客户端并行训练，当所有客户端完成本地训练时，他们同时上传自己的本地权重。​ 1,如果客户端参与第m轮全局权重的聚合，则会造成偏差，需要删除了全局权重中客户端的相对陈旧的权重。在客户端，执行本地更新，如图所示，在本地更新中，它包括本地训练、本地重新聚合策略和加权处理策略。因此，客户端可以连续地在新的本地数据集上进行训练，而不必再等待速度较慢的客户端，从而。
联邦学习（Federated Learning）详解以及示例代码
deephub
12-11 2万+
联邦学习也称为协同学习，它可以在产生数据的设备上进行大规模的训练，并且这些敏感数据保留在数据的所有者那里，本地收集、本地训练。在本地训练后，中央的训练协调器通过获取分布模型的更新获得每个节点的训练贡献，但是不访问实际的敏感数据。 联邦学习本身并不能保证隐私（稍后我们将讨论联邦学习系统中的隐私破坏和修复），但它确实使隐私成为可能。 联邦学习的用例： 手机输入法的下一个词预测（e.g. McMahan et al. 2017, Hard et al. 2019） 健康研究（e.g. Kaissis et al
【论文阅读笔记】NeurIPS2020文章列表Part1
zincrain的博客
12-09 2万+
A graph similarity for deep learning An Unsupervised Information-Theoretic Perceptual Quality Metric Self-Supervised MultiModal Versatile Networks Benchmarking Deep Inverse Models over time, and the Neural-Adjoint method Off-Policy Evaluation and Learning.
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