联邦学习概要

何为联邦学习

联邦学习本质上是一种分布式机器学习技术，或机器学习框架

以往的机器学习把用户端的数据收集起来统一训练，虽然这样能够充分利用数据间的联系进行训练一个统一模型从而来预测未来的数据走向或者制定相应的政策。但是，传统的机器学习要让用户端间的数据进行分享，因此有可能导致用户端隐私数据的泄露，同时，用户端不一定乐于分享自己的隐私数据。联邦学习应运而生，在联邦学习中，用户端不用上传自己的本地数据，只需要在本地训练数据形成一个本地模型，然后每个用户端将自己训练的本地模型上传到联邦服务器，联邦服务器对所有传上来的模型进行聚合，然后再把聚合后的模型发送回给用户端。用户端根据模型来继续调整自己的本地模型，或者进行数据的预测等等。

联邦学习过程：

 

 

首先， 联邦学习服务器先分发一个模型给客户端用户（步骤1）；客户端用户接收全局模型后，利用自己的本地数据进行训练，得到一个本地模型\局部模型（步骤2）；所有用户端将训练好的本地模型上传到联邦学习服务器端（步骤3）；服务器将所有上传的本地模型进行聚合，得到一个全局模型（步骤4）；然后继续重复上述步骤（5-8）直到训练的模型达到理想模型为止。

联邦学习分类

分三类：横向联邦学习、纵向联邦学习和联邦迁移学习

 觉得有用的小伙伴给我留个♥♥吧，感激不尽！