联邦学习是一种机器学习技术，旨在解决数据孤岛和隐私保护问题，允许企业在不共享原始数据的情况下联合训练模型。通过在本地存储数据并交换参数，联邦学习能创建全局模型，其性能与直接聚合数据的模型相当，同时遵守GDPR等法规。横向联邦学习用于样本不同的情况，纵向联邦学习则适用于特征不同的数据集。联邦学习在智能安全、信用风险管理等领域展现出应用潜力，如改善安防系统的风险预测服务和优化小微企业信用审查流程。
题图摄于北京北三环
（本文作者系 VMware 中国研发云原生实验室架构师，联邦学习 KubeFATE / FATE 开源项目维护者和贡献者。）
相关信息：招聘云原生工程师
需要加入KubeFATE开源项目讨论群的同学，请关注本公众号后回复 “kubefate” 即可。
联邦学习
人工智能的成功在很大程度上取决于用于训练有效预测模型数据的数量和质量。在企业内部，数据通常作为孤立的数据孤岛被储存在服务器中。同时，商业竞争或隐私保护法律的限制，企业之间不能直接共享数据。
基于这些原因，许多企业或部门的数据样本会很有限或者数据质量较差，因此阻碍了训练有价值的机器学习模型。联邦学习是最有前途的机器学习技术之一，可帮助克服数据孤岛，加强数据隐私和安全的同时仍遵守例如GDPR等法律法规。
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
