深度学习_联邦学习_漫画详解

最新推荐文章于 2023-04-30 14:04:49 发布
最新推荐文章于 2023-04-30 14:04:49 发布
阅读量3.1k 收藏 11
点赞数 10
分类专栏： # 前沿调研 文章标签： 深度学习 机器学习 联邦学习 数据科学 google
原文链接：https://blog.csdn.net/jILRvRTrc/article/details/90724873
版权

联邦学习最早由Google提出，是一种有着很多应用前景的机器学习概念。这篇文章用漫画的形式，不仅仅向我们展示了有趣的联邦学习知识，更在其中贯穿了互联网公司和程序员的日常百态，也给读者以宏观的角度去理解产品落地的思维逻辑。以下，enjoy：

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
*安全聚合是一种用于计算带掩码的矢量 (比如模型里的权重) 之和的交互式加密协议。它会调整数据对中的随机掩码，使得当输入的数据足够多时，让这些掩码最终相互抵消，从而计算出最终结果 (如一套计算模型的更新量)。

Practical Secure Aggregation for Privacy-Preserving Machine Learning

https://ai.google/research/pubs/pub47246
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
*出自《白鲸记》
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

  • 联盟学习与分析基于多个领域的丰富研究成果，包括分布式优化、机器学习以及隐私研究。而且借鉴了很多系统和工具的灵感，比如用于分布式计算的 MapReduce，用于机器学习的 TensorFlow 以及用于隐私保护与分析的 RAPPOR。使用联盟学习来训练深度网络的论述最早由 Google AI 研究人员于 2016 年发表。

Communication-Efficient Learning of Deep Networks from Decentralized Data
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Rocky Ding*
关注
  • 10
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
联邦学习 (Federated Learning) 原理与代码实例讲解
禅与计算机程序设计艺术
06-18 1050
联邦学习 (Federated Learning) 原理与代码实例讲解 1.背景介绍 随着数据隐私和安全问题的日益突出，传统的集中式机器学习方法面临着巨大的挑战。数据的集中存储和处理不仅增加了数据泄露的风险，还可能违反数据保护法规。联邦学习（Federate
google的横向联邦聚合论文解读
hbr365的博客
10-08 1076
论文：Practical Secure Aggregation for Privacy-Preserving Machine Learning 背景介绍 在使用机器学习训练模型的时候，我们经常会碰到一些敏感数据。这些数据的价值高，但由于其敏感性让我们无法使用这些数据。然而随着近些年技术的发展，联邦学习和多方安全计算的概念因运而生。通过这些技术，我们可以在保护用户隐私的前提下进行更丰富的数据探索，在不获取用户隐私数据的前提下将这些数据纳入到模型之中，从而实现更好的为用户提供优质服务的目的。 针对如何联合
Practical Secure Aggregation for Privacy-Preserving Machine Learning论文阅读笔记
SXxtyz的博客
03-19 2435
提出了一种安全聚合算法，Secure Aggregation算法，可以使得在多方学习（如联邦学习）中各方client在不暴露各自梯度的情况下实现梯度的聚合。 实验 我们提出了安全计算向量之和的算法，它满足常数迭代轮次、低通信代价、对故障具有鲁棒性、且有一个可信度受限的server。server有两种角色：一是想其他参与方发送信息，二是计算最终结果。 鉴于联邦学习系统的缺点（对于隐私的要求以及终端不同步的问题），急切需要一种安全聚合算法来解决这些问题： 操作高维数据； 提高通信效率； 对终端用户的失联的鲁棒
联邦学习原理-上篇
孟凡霄
06-06 1128
联邦学习技术特点 数据隔离 数据不泄漏到外部 对等 参与者地位平等 无损 联邦学习效率等同或接近全量数据模型 共同获益 参与者共同获益 联邦学习分类 横向联邦 数据方特征维度相同 纵向联邦 数据方样本ID相同传统的以表格的方式查看数据看 纵向的按列对数据分组每列数据包含的数据indices/ID相同 纵向联邦学习-联合建模需求场景 举例说明 微众与合作企业联合建模，微众有y（业务表现），期望优化本方的Y预测模型 各方数据 合作企业 微众银行 设定 只有微众拥有Y=逾期表现 合
PySyft框架
OscarMind的博客
04-30 675
SyftTensor包含本地张量和指针张量，其中，本地张量是在TorchTensor上执行本地运算时，通过实例化TorchTensor自动被创建。如图5-7所示，张量链的结构中，本地张量类用SyftTensor表示，通过TorchTensor获得本地Torch接口，进而实现基于张量链的运算。根据以上步骤，我们可以在实践中考虑采用pysyft的P2P平台----PyGrid，利用PyGrid提供的网关功能，为节点与数据提供像DNS服务一样的路由服务，实现联邦学习和数据科学探索。
一本免费的深度学习漫画书
code小生
11-27 945
来源：开源最前线(ID:OpenSourceTop)前不久，李飞飞在twitter发推文表示：哇！没想到会在万圣节看到这个到底是什么东西让李飞飞如此兴奋呢？猿妹点进去一看，原来是有人将李飞...
MNIST-联邦学习代码-FedAvg-master.rar
11-23
联邦学习（Federated Learning）是一种分布式机器学习方法，它允许在不共享数据的情况下进行模型训练。在这种设置下，每个参与设备（如智能手机或服务器）都持有部分数据，并且只贡献其模型更新到全局模型，而不是...
pytorch-federated-learning:分散式深度学习模拟器
05-04
《PyTorch联邦学习：分布式深度学习模拟器详解》 在现代数据科学中，深度学习已经成为解决复杂问题的关键工具，特别是在处理大规模、敏感的分布式数据时。联邦学习（Federated Learning）作为一种新兴的分布式机器...
美联邦快递推出自动送货机器人.pdf
08-14
【标签】：机器人 | 机器学习 | 深度学习 | 参考文献 | 专业指导 【内容详解】 联邦快递的SameDay Bot是自动化配送领域的里程碑，它展示了物流行业的未来趋势。这款机器人设计用于短距离内的快速配送，以电动为...
《21个项目玩转深度学习———基于TensorFlow的实践详解》配套代码.zip
最新发布
05-09
《21个项目玩转深度学习———基于TensorFlow的实践详解》配套代码 深度学习（Deep Learning，简称DL）是机器学习（Machine Learning，简称ML）领域中一个新的研究方向，其目标是让机器能够像人一样具有分析学习能力...
Secure range query based on privacy-preserving function in two-tiered sensor networks
02-11
Secure range query based on privacy-preserving function in two-tiered sensor networks
语义分割经典论文翻译1：DFANet:Deep Feature Aggregation for Real-Time Semantic Segmentation(DFANet翻译)-附件资源
03-05
语义分割经典论文翻译1：DFANet:Deep Feature Aggregation for Real-Time Semantic Segmentation(DFANet翻译)-附件资源
浅谈联邦学习Federated Learning
编码强迫症患者
10-24 4307
最近人工智能、大数据领域的公众号疯狂给我推送“联邦学习”相关的文章，使得本来并不好奇的我，有了一丝丝揭开它神秘面纱的冲动。公众号的每篇推文写得都很好，但同时也十分学术，作为刚上路的我，当然是基本没能看懂（写得真好，下次不许再写了）。于是在我的穷追猛击下，这篇文章诞生了，从新手小白的角度阐述一下我眼中的联邦学习。 联邦学习的本质 先说结论，联邦学习本质上就是一种机器学习/深度学习方法。为什么这么说呢？你首先看名字，叫作联邦学习，既然带有“学习”二字，那它和机器学习、深度学习必然有密不可分的关系。对于我们平常所
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
深度学习/联邦学习笔记（六）卷积神经及相关案例+pytorch
ggj0727的博客
05-03 1034
深度学习/机器学习笔记（六） 卷积神经及相关案例 构造一个简单的多层卷积神经网络 卷积神经网络案例 LeNet AlexNet VGGNet CNN
机器学习-联邦学习安全方面的论文汇总
吴彦祖的博客
02-26 3029
1、最先由谷歌提出联邦学习的概念 KONEČNÝ J, MCMAHAN H B, RAMAGE D, et al. Federated optimization: distributed machine learning for on-device intelligence[J]. arXiv preprint, 2016 2、一种通过小部分原始的梯度信息，反推出原始数据信息的隐私泄露方法 PHONG L T, AONO Y, HAYASHI T, et al. Privacy-preserving
联邦学习：漫画简介
CBCY_csdn的博客
11-14 220
一个介绍联邦学习的漫画
联邦学习（Federated Learning）
热门推荐
librahfacebook的博客
05-09 2万+
本文出自微众银行AI项目组对于联邦学习介绍的白皮书，网址：https://www.fedai.org/ 文章目录一、联邦学习背景和重要性1.人工智能发展概况2.GDPR与人工智能挑战3.联邦学习成为可行的解决方案二、联邦学习的定义和范围1.联邦学习概述2.联邦学习定义三、 联邦学习的分类1.横向联邦学习2.纵向联邦学习3.联邦迁移学习四、联邦学习系统架构五、总结展望 一、联邦学习背景和重要性 ...
深度学习卷积操作详解
"深度学习各种卷积详解教程" 在深度学习领域，卷积神经网络（CNN）是图像处理和计算机视觉任务的核心组件。本教程详细介绍了深度卷积网络中的各类卷积操作，包括计算公式和示意图，帮助初学者理解和掌握这一关键...
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