READ-2326 Advances and Open Problems in Federated Learning
论文名称 | Advances and Open Problems in Federated Learning |
---|---|
作者 | Peter Kairouz |
来源 | Foundations and Trends in Machine Learning |
领域 | Machine Learning – Federal learning |
问题 | 联邦学习综述 |
方法 | - |
创新 | - |
Chap1 Introduction
本章节主要介绍了联邦学习的应用场景、与分布式学习的区别、生命周期、一般训练过程以及实验注意事项。
Chap2 Relaxing the Core FL Assumptions: Applications to Emerging Settings and Scenarios
本章节分别介绍了完全分布式学习、cross-silo的联邦学习以及拆分学习的应用场景以及各自的挑战、三者之间的区别。
Chap 3 Improving Effificiency and Effectiveness
本章节主要讲述了联邦学习非独立同分布数据的问题、优化方法以及实验中的经验技巧。
Chap4 Preserving the Privacy of User Data
本章节描述了用户数据的隐私保护问题,主要包括两方面——原始数据的隐私保护和数据计算可信度问题,同时,文章也提出了保护用户数据的方法。
Chap5 Defending Against Attacks and Failure
本章节主要介绍了模型稳健性问题,描述了恶意攻击和非恶意攻击以及它们的防御方式。
Chap6 Ensuring Fairness and Addressing Sources of Bias
本章节主要讨论了公平性问题,着重介绍了导致不公平的因素以及解决方案。
Chap7 Addressing System Challenges
本章节主要介绍了系统设备以及搭建框架给联邦学习带来的挑战。
Chap8 Concluding Remarks
本章节主要对文章总体内容进行了总结,并提供了FL中常用数据集以及框架。