文章目录
-
- 联邦学习
- 联邦学习是一种思想,而不是一个具体的技术
- 主流的联邦学习方法
-
- 1. **联邦平均算法(Federated Averaging,FedAvg)**
- 2. **联邦优化算法(Federated Optimization, FedOpt)**
- 3. **联邦差分隐私(Federated Learning with Differential Privacy, DP-FedAvg)**
- 4. **基于聚合加密的联邦学习(Federated Learning with Secure Aggregation)**
- 5. **联邦迁移学习(Federated Transfer Learning, FedTL)**
- 6. **联邦元学习(Federated Meta-Learning)**
- 总结
联邦学习
联邦学习
(Federated Learning
)是一种分布式机器学习方法
,允许多个参与方
(如设备、组织等)在不共享本地数据
的前提下,共同训练
一个全局
模型。它通过在各个设备上本地训练模型
,并将模型参数或梯度上传
到中央服务器
进行汇总,从而保护数据隐私
并减少数据传输量
。联邦学习广泛应用于数据敏感的领域
,如金融、医疗、智能手机等场景。
联邦学习的关键思想是“数据不动,模型动”
,即数据保留在本地设备上
,而模型参数(或更新后的梯度)被传输到中央服务器
。在这种架构下,数据隐私和安全得到了很大的保障,尤其在涉及敏感数据的应用场景中具有重要意义。
联邦学习的基本流程:
- 全局模型初始化:中央服务器
初始化
一个全局模型,并将其发送到各个客户端(参与设备ÿ