Hyperchain的博客

前 言 上一篇我们讲述了人工智能，机器学习与联邦学习的关系。 回顾上文????《联邦学习这件小事》 这篇我们将继续探索联邦学习方法的分类。联邦学习方法被分为横向联邦学习、纵向联邦学习和迁移联邦学习三类，适用于解决不同的实际问题。 横向联邦学习 在两个数据集的用户特征重叠较多而用户重叠较少的情况下，把数据集按照用户维度切分，并取出双方用户特征相同而用户不完全相同的那部分数据进行训练。这种方法叫做横向联邦学习（如下图）。 ▲ 应用场景 横向联邦学习的本质是样本的联合，适用于参与者间业态相同但触达客户不同，即特

背景介绍 我叫小明，是一个每天喜欢胡思乱想的打工人。 随着年轻人的创业热潮的到来，我有一种创业的冲动。经过长时间的探索，我现在萌生出了一个极具创造性的点子，如果以此为依据进行创业的话一定会引起热潮。 图片 首先，为了确定我的想法是不是独一无二的，我必须先通过搜索引擎进行查询。这里有一个我很在意的问题——我在搜索引擎里搜索了我的创意，浏览器会将我的创意直接发送给搜索引擎的服务器，如果我的创意确实是独一无二的，那这样直白的搜索方式一定会把我的创业完全暴露出来，这对我来说非常致命，我绝对不能让任何人有窃取我创意的

背 景 计算机学院的学生小A意图使用大数据及人工智能的相关技术完成自己的一个课题《大学生男生生活费消费行为的偏好分析》，然而苦于数据量不够，便寄希望于身边的朋友以及学校的广大男性同学，原本以为是一件轻而易举的事，然而… 由于个人隐私易泄露，数据交易难定价，合作者激励制度不健全，以及恶意提供无用或者虚假数据等问题，收集真实且有价值的的数据远比想象中难。 而近两年来，“联邦学习”被学术界和工业界经常提及，联邦学习究竟是什么，为何能解决以上问题，我们从它的前世今生开始慢慢揭开面纱。 ▲ 人工智能（AI）是什么