【论文笔记】A survey on federated learning （综述）

已于 2022-04-20 15:12:20 修改
阅读量1.2k 收藏
点赞数 1
分类专栏： 联邦学习 文章标签： 联邦学习 隐私保护 人工智能
于 2022-04-15 10:25:51 首次发布
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/LOG_IN_ME/article/details/124188769
版权
AuthorChen Zhang, Yu Xie, Hang Bai, Bin Yu, Weihong Li, Yuan Gao
KeywordsFederated learning; Privacy protection; Machine learning
Abstract联邦学习是在一个中央聚合器的协调下多客户协作解决机器学习问题的机制。它还允许数据分散训练以确保每个设备的数据隐私。联邦学习基于两个主要思想：本地计算、模型传输，减少了一些由传统的集中式机器学习方法带来的系统性的隐私风险和代价。客户端的原始数据被储存在本地，不能被交换和迁移。随着联邦学习的应用，每个设备在本地训练本地数据，然后上传模型到服务器做聚合，并且最终服务器将模型更新发送给客户以达到学习目标。为了提供一个全面的调查和为该领域后续研究提供便利，我们从五个方面系统介绍联邦学习的现有工作，数据划分、隐私机制、机器学习模型、传输架构、系统异构性。然后，我们挑选出现有挑战及联邦学习未来研究方向。最后，我们总结现有联邦学习的特点，并且分析当下联邦学习的应用。
Year2021
PublicationKnowledge-Based Systems
DOI10.1016/j.knosys.2021.106775

具体内容：【论文笔记】A survey on federated learning （综述）

你的莽莽没我的好吃
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【论文笔记】A Survey on Federated Learning: The Journey From Centralized to Distributed On-Site Learning a
虚幻私塾
04-25 580
🚀 优质资源分享 🚀 学习路线指引（点击解锁） 知识定位 人群定位 🧡 Python实战微信订餐小程序 🧡 进阶级 本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。 💛Python量化交易实战💛 入门级 手把手带你打造一个易扩展、更安全、效率更高的量化交易系统 A Survey on Federated Learning: The Journey From Centralized to Distributed On-Site
Federated Learning in Mobile Edge Networks: A Comprehensive Survey .pdf
11-03
针对日益严格的数据隐私立法和日益增长的隐私关注，联邦学习(FL)的概念被引入。在FL中，终端设备使用它们的本地数据来训练服务器所需的ML模型。然后，终端设备将模型更新而不是原始数据发送到服务器进行聚合。...
【论文笔记】A Survey on Federated Learning: The Journey From Centralized to Distributed On-Site...（综述）
LOG_IN_ME的博客
05-01 587
我的博客园：https://www.cnblogs.com/MaplesWCT/ A Survey on Federated Learning: The Journey From Centralized to Distributed On-Site Learning and Beyond Authors Sawsan AbdulRahman, Hanine Tout, Hakima Ould-Slimane, Azzam Mourad, Chamseddine Talhi, Mohsen Gui.
【联邦学习】自用论文阅读--A Survey on Federated Learning for Resource-Constrained IoT Devices
kt4ngw的博客
09-20 393
本文的调查目标是如何在资源受限的物联网设备上进行机器学习模型的构建，首先探索现有使用IoT设备进行分布式实现的相关假设的FL研究，并探讨缺点；然后讨论将 FL 应用于物联网环境时的实施挑战和问题，并对问题的陈述及新出现的挑战进行了全面调查，特别是在异构物联网环境中应用 FL 期间；最后指出 FL 与资源受限物联网环境结合的研究方向。描述一下研究动机本文的其余部分组织如下。在第二节中，我们介绍了 FL 的概述和分类以及现有研究的完整列表。在第三节中，我们回顾了分布式优化和 ML 方法。
A Survey on Federated Learning Systems- Vision, Hype and Reality for Data Privacy and Protection
甜瓜出逃中的博客
04-30 2019
综述文献：A Survey on Federated Learning Systems- Vision, Hype and Reality for Data Privacy and Protection 部分知识整理 文献总结了联邦学习系统的特点和分类。 机器学习算法需要大量数据，单组织数据无法训练高质量模型。由于政策法规（数据保护条例）限制，不同组织的数据隔离，形成数据孤岛（data islan...
【论文阅读】A survey on federated learning
qq_56483157的博客
09-06 250
联邦学习（Federated Learning）是一种多个客户端协作解决机器学习问题的设置，由中央汇聚器进行协调。这种设置还允许训练数据分散存储，以确保每个设备的数据隐私。联邦学习遵循两个主要思想：本地计算和模型传输，从而减少了传统集中式机器学习方法带来的一些系统隐私风险和成本。客户端的原始数据存储在本地，不可交换或移动。通过应用联邦学习，每个设备使用本地数据进行本地训练，然后上传模型到服务器进行汇聚，最后服务器将模型更新发送给参与者以实现学习目标。为了提供一份全面的调查，促进该领域的潜在研究，我们从五个方
Survey of federated learning research.pdf
12-27
联邦学习是一种分布式机器学习方法，它允许在不直接共享数据的情况下，通过联合多个参与者的本地数据来训练全局模型。这种方法的出现，旨在解决数据隐私和安全问题，以及跨组织的数据孤岛现象。...
联邦半监督学习综述（A Survey towards Federated Semi-supervised Learning）.pdf
02-28
人工智能(AI)的成功应该在很大程度上归功于丰富数据的可获得性。然而，实际情况并非如此，行业中的开发人员常常面临数据不足、不完整和孤立的情况。因此，联邦学习被提议通过允许多方在不显式共享数据的情况下协作...
Blockchained On-Device Federated Learning.pdf
01-07
在"Blockchained On-Device Federated Learning"架构（BlockFL）中，区块链网络取代了中央服务器的角色。通过区块链的共识机制，设备可以直接交换和验证本地模型更新，无需信任任何单一实体。这不仅增强了系统的去...
Optimizing Federated Learning on Non-IID Data with Reinforcement
09-07
联邦学习（Federated Learning）是一种新兴的分布式机器学习方法，旨在在保护用户数据隐私的同时，利用分散在各个设备上的数据进行模型训练。随着移动设备的普及，非独立同分布（Non-IID）数据成为联邦学习面临的...
A survey on federated learning联邦学习综述
最新发布
m0_67661689的博客
11-25 368
假设N个用户{U1，U2，……，Un}，拥有自己的数据库{D1，D2，……，Dn}，并且每个人都不能直接访问别人的数据来扩展自己的数据。如图1所示,它包含三个基本步骤：（1）服务器向每个设备发送初始模型。（2）设备Ui不需要共享自己的源数据，而是可以用本地数据Di训练自己的模型Wi。（3）服务器聚合本地模型{W1,W2,...,Wn}形成W′，然后用其替换每个客户端的本地模型。随着大数据和人工智能的发展，公众对隐私的要求越来越严格。因此，联邦学习应运而生，这是一种跨平台隐私保护的新解决方案。
最新论文笔记(+18)：Threats to Federated Learning: A Survey
cryptocxf的博客
02-22 5997
Threats to Federated Learning: A Survey (联邦学习面临的威胁：一项调查） 本篇文章是2020年发表在arXiv上的论文，介绍了联邦学习存在的隐私威胁问题，是一篇还不错的综述论文，对理解投毒攻击和推理攻击有很大帮助，以下是我个人看论文的重点记录，可能也有理解不对的地方，建议看原文！ 原文链接：Threats to Federated Learning: A Survey 文章目录预览一、背景与介绍1.2 联邦学习中的隐私泄露二、威胁模型2.1 内部和外部2.2 半城
学习笔记 | Threats to Federated Learning-A Survey
freya0112的博客
03-24 546
摘要 文章意图让研究者意识到联邦学习中隐私保护的重要性，并对攻击进行分类： poisoning attacks投毒攻击 inference attacks推断攻击 引言 联邦学习的分类 horizontally federated learning (HFL)：数据有相同的特征但用户不同。数据集往往很小，所以一个数据被反复训练的概率是很低的，它计算能力有限、技术能力较低。 vertically federated learning (VFL)：数据有部分重叠，但特征空
文献阅读：Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge
whitevegetable的博客
11-07 2550
背景 在用户异构（用户的通信、计算能力不同）的蜂窝网络中，传统的联邦学习会很低效。这是因为传统联邦学习中每轮参与模型训练的用户是随机选取的，这样如果一轮中选取的某些用户的通信、计算能力较差，那么其模型训练、上传所需的时间就更长，进而拖延本轮的模型聚合步骤，最终导致整个模型训练效率的低下。 研究内容 论文提出了FedCS协议，将传统联邦学习的随机选取参与用户改为由用户的资源情况选择尽可能多的“优质”用户来进行模型更新。图示如下： FedCS协议的具体步骤： 1....
[论文阅读] 有关联邦学习应用综述 A review of applications in federated learning
有关我的科研的足迹、算法竞赛的日子、生活记录。
11-27 2202
阅读笔记 A review of applications in federated learning 原文链接 因为最近在写一篇联邦学习应用方向的论文，所以阅读了本文章，作一些简要的笔记记录如下： 文章目录阅读笔记 A review of applications in federated learning一、本文介绍的联邦学习概述二、联邦学习的演变2.1 算法优化2.2 安全隐私风险安全 - 在联邦学习中的隐私保护技术三、联邦学习的应用移动设备上的应用工业生产应用医疗保健领域的应用四、美好的未来生活
【论文笔记】A review of applications in federated learning（综述）
LOG_IN_ME的博客
05-03 1126
A review of applications in federated learning Authors Li Li, Yuxi Fan, Mike Tse, Kuo-Yi Lin Keywords Federated learning; Literature review; Citation analysis; Research front Abstract FL是一种协作地分散式隐私保护技术，它的目标是克服数据孤岛与数据隐私的挑战。本研究旨在回顾目前在工业工程中的应用，以指导未来
【论文笔记】A survey on security and privacy of federated learning（综述）
LOG_IN_ME的博客
05-01 1952
我的博客园：https://www.cnblogs.com/MaplesWCT/ A survey on security and privacy of federated learning Authors Viraaji Mothukuri, Reza M. Parizi, Seyedamin Pouriyeh, Yan Huang, Ali Dehghantanha, Gautam Srivastava Keywords Artificial intelligence; Machin.
关于边缘联邦学习的研究方向以及现状综述阅读笔记
weixin_45745854的博客
11-02 2465
综述文章阅读笔记
异步联邦学习综述Asynchronous Federated Learning on Heterogeneous Devices: ASurvey
weixin_42447364的博客
01-07 9358
目录 一、Introduction 二 、Background Knowledge 2.1 联邦学习 2.2 区块链 2.3 差分隐私 三、设备异质性 3.1 节点选择 3.2 加权聚合 3.3 梯度压缩 3.4 半异步FL 3.5 Cluster FL 3.6 模型分割 liu四、数据异质性 4.1 非独立同分布数据（No-IID） 4.2 数据垂直分布 五、异构设备上的安全和隐私问题 5.1 差分隐私在异构设备上的应用 5.2 区块链在异构设备上的应用 一、Intr
Blockchained On-Device Federated Learning
05-12
Blockchained On-Device Federated Learning 是一种结合区块链和设备本地联合学习的技术。它允许设备在不泄露原始数据的情况下共享模型参数，并确保所有参与者都得到透明和公正的奖励。 具体来说，该技术使用...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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