联邦学习 webank

最新推荐文章于 2025-03-24 09:37:53 发布
最新推荐文章于 2025-03-24 09:37:53 发布
阅读量350 收藏
点赞数
分类专栏： 笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u011594486/article/details/109819682
版权

在这里插入图片描述

在这里插入图片描述

“羊吃草”论数据隐私保护难题破解之道？ 世界第一本联邦学习专著问世
FedAI联邦学习的博客
05-15 1169
看到这本书的封面插画，你是否以为即将面对一本童话故事书？ 实际上，这本书“意义重大”，绝非童话，是用“羊吃草”的比喻给我们解释：大数据时代，人工智能在隐私安全前提下实现数据合作的最优解决方案。这就是世界上第一本“联邦学习”专著——《Federated Learning》（英文版）/《联邦学习》（中文版），由微众银行首席人工智能官杨强教授及人工智能部刘洋、程勇、康焱、陈天健、于涵等多位人工智能领域顶级专家历时两年，共同编撰而成。 2019年12月，《Federated Learning》由美国Morgan
使用联邦学习解决推荐系统中的隐私泄露问题
weixin_44760744的博客
11-15 1933
推荐系统中的安全问题 《A NOVEL PRIVACY-PRESERVED RECOMMENDER SYSTEM FRAMEWORK BASED ON FEDERATED LEARNING》论文阅读笔记 推荐系统：解决信息过载的问题。RS需要收集用户个性化信息和行为，从而得到用户的喜好。 存在问题：集中收集的数据对隐私敏感，任何泄漏都可能给用户和服务提供商带来严重问题。 推荐系统中的隐私威胁： （1） 内部威胁：好奇或者不诚实的服务提供者； （2） 外部威胁：黑客攻击。 隐私泄露的案例： （1）2015年5
联邦学习 .pptx
08-13
人工智能进入新时代，数据孤岛与隐私保护成为阻碍人工智能发展的两大障碍，联邦学习的提出正好可以解决这两个问题。
联邦学习介绍（ppt）
03-10
联邦学习介绍（ppt）
牛客题解 | 计算均方根误差（RMSE）
wc529065的博客
03-23 1193
牛客题库题解
CCF-微众银行-刘洋-联邦学习的研究及应用.pptx
11-03
在中国计算机学会的数字图书馆中“微众银行-刘洋-联邦学习的研究及应用”视频的ppt截图，由于网站中的视频不是很清晰，ppt也不能保证文字也特别清晰。 视频网址：https://dl.ccf.org.cn/audioVideo/detail.html?id=4360432544024576&_state=&_ack=1&_access_code=1c1ef48794b443bab9f74dddd16cd39b。 视频简介：联邦学习框架的优势到底是什么? 作为一个机器学习框架，联邦学习能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和建模。而在联邦学习的基础上，迁移学习的能力也可以被搭建出来，做到举一反三的效果。而根据孤岛数据具有不同分布的特点，我们提出了不同的联邦学习方案。在本次报告中，我们将全面介绍联邦学习的概念与应用，并将提供联邦学习开源项目FATE（https://github.com/webankfintech/fate）详解，FATE提供了一种基于数据隐私保护的安全计算框架，为机器学习、深度学习、迁移学习算法提供强有力的安全计算支持。
基于联邦学习的电影推荐系统,采用联邦学习框架FATE1.3.1的横向联邦推荐算法
05-03
环境配置流程： 1、备好一台配置足够的服务器，安装CentOS 7系统。 2、安装python3.6,更改usr/bin链接。 3、安装virtualenv 和 virtualenvwrapper。 4、安装jdk1.8并配置环境...至此，FATE联邦学习框架部署完成。
联邦学习隐私计算框架：技术详解与实战指南
最新发布
shejizuopin的博客
03-24 1108
联邦学习是一种分布式机器学习框架，其核心思想是在不共享原始数据的前提下，允许多个参与方（如设备、组织）协作训练一个共享的全局模型。通过仅交换模型更新（如梯度信息），联邦学习实现了数据隐私保护与模型性能提升的双重目标。联邦学习隐私计算框架为数据隐私保护与模型性能提升提供了有效解决方案。通过掌握联邦学习的原理、实现及在隐私保护中的应用，开发者可以构建安全、高效的分布式机器学习系统。未来，随着技术的不断进步和应用场景的不断拓展，联邦学习有望在更多领域发挥重要作用。
2024年最新联邦学习实战-2-用FATE从零实现横向逻辑回归(1)
2401_84562251的博客
05-02 933
不知道你们用的什么环境，我一般都是用的Python3.6环境和pycharm解释器，没有软件，或者没有资料，没人解答问题，都可以免费领取（包括今天的代码），过几天我还会做个视频教程出来，有需要也可以领取~给大家准备的学习资料包括但不限于：Python 环境、pycharm编辑器/永久激活/翻译插件python 零基础视频教程Python 界面开发实战教程Python 爬虫实战教程Python 数据分析实战教程python 游戏开发实战教程Python 电子书100本。
FATE是由Webank的AI部门发起的开源项目，旨在提供安全的计算框架来支持联邦AI生态系统
06-12
FATE是由Webank的AI部门发起的开源项目，旨在提供安全的计算框架来支持联邦AI生态系统。 它基于同态加密和多方计算... 它支持联邦学习体系结构和各种机器学习算法的安全计算，包括逻辑回归，深度学习和迁移学习等。
毕设项目-基于联邦学习的电影推荐系统源码(java+html+python-学习框架FATE1.3.1).zip
11-04
毕设项目_基于联邦学习的电影推荐系统源码(java+html+python_学习框架FATE1.3.1).zip 【项目资源介绍】 1、备好一台配置足够的服务器，安装CentOS 7系统。 2、安装python3.6,更改usr/bin链接。 3、安装virtualenv ...
在推荐系统中，我还有隐私吗？联邦学习：你可以有
喜欢打酱油的老鸟
11-26 1324
2020-11-19 15:38:41 机器之心分析师网络 作者：仵冀颖 编辑：H4O 在推荐系统无所不在的网络环境中，用户越来越强烈地意识到自己的数据是需要保密的。因此，能够实现隐私保护的推荐系统的研究与发展越来越重要。联邦学习框架的引入为这一问题提供了解决方案。 一、由推荐系统谈起 随着互联网覆盖范围的扩大，越来越多的用户习惯于在网上消费各种形式的内容，推荐系统应运而生。推荐系统在我们的日常生活中无处不在，它们非常有用，既可以节省时间，又可以帮助我们发现与我们的兴趣相关的东西。目前，推荐
均方根误差 (RMSE)的概念
weixin_43250801的博客
03-17 1万+
RMSE的概念
多项式回归、R2 和 RMSE
March_A的博客
06-05 2万+
R2（决定系数）和RMSE（均方根误差）是常用的回归模型评估指标，用于衡量模型对观测数据的拟合程度和预测精度。R2（决定系数）： R2 表示模型对因变量的解释能力，取值范围从 0 到 1，越接近 1 表示模型对数据的拟合程度越好。计算公式为： R2 = 1 - (SSR / SST) 其中，SSR 是回归平方和（Sum of Squares of Residuals），表示回归模型的拟合误差；SST 是总平方和（Total Sum of Squares），表示总体数据的离散程度。
联邦学习基础介绍
weixin_44458771的博客
09-19 7613
联邦学习（Federated Learning）是一种分布式机器学习技术，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练，不需要交换本地数据，仅通过交换模型参数或中间结果来构建基于虚拟融合数据下的全局模型，从而实现数据隐私保护和数据共享计算的平衡。
excel计算出均方根值（RMS）+ 均方根误差（RMSE）+标准差（Standard Deviation）
Lu_gl的博客
07-30 7万+
excel怎么算标准差，均方根值，均方根误差
相关性、平均值、标准差、相关系数、回归线及最小二乘法
热门推荐
胡杰的专栏
01-20 8万+
平均值、标准差、相关系数、回归线及最小二乘法  相关性 线性相关 数据在一条直线附近波动，则变量间是线性相关 非线性相关 数据在一条曲线附近波动，则变量间是非线性相关 不相关 数据在图中没有显示任何关系，则不相关   平均值 N个数据 的平均值计算公式：       标准差 标准差表示了所有数据与平均值的平均距离，表示了数据的散度，如果标准差小，表示数据
使用Excel进行线性回归、计算R2、RMSE、MAE等精度方法
Einzebrn的博客
12-19 2万+
对模型精度进行评价，采用决定系数（Coefficient of determination，R2）、均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）、均方误差（Mean Square Error，MSE）和平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）等五个特征指标进行比较，指标公式见下文。的输入区域，要选择右边红框的按钮选择序列中的数据，而不能用ctrl选择首尾；
MSE、RMSE、MAE、R方等指标整理
superY_26的博客
04-02 3万+
SSE SSE（sum squared error，和方差），其公式为：sse=∑i=1m(yi−y^i)2sse=\sum_{i=1}^m(y_i-\hat y_i)^2sse=i=1∑m​(yi​−y^​i​)2其中，yiy_iyi​是真实值，y^i\hat y_iy^​i​表示预测值。 MSE MSE（mean squared error，均方误差），其公式为：mse=1m∑i=1m(yi−y^i)2mse=\frac{1}{m}\sum_{i=1}^m(y_i-\hat y_i)^2mse=m1​i
fate联邦学习docker部署
12-28
### 使用 Docker 部署 FATE 联邦学习平台 #### 准备工作 为了成功部署FATE联邦学习平台，需要准备一台具有至少2 CPU核心和8 GB RAM的机器，并确保该机器运行着Linux操作系统且能够连接互联网。此外，在执行任何命令之前，请确认是以root用户身份登录。 对于Docker及其组件的安装，可以通过如下指令完成： ```bash curl -fsSL https://get.docker.com -o get-docker.sh && \ sh get-docker.sh && \ usermod -aG docker $(whoami) && \ exec $SHELL ``` 上述脚本会自动获取并安装最新版Docker到目标主机上[^1]。接着还需要安装`docker-compose`工具来简化容器编排过程。 #### 设置持久化的Docker权限 当通过命令临时更改用户的组成员关系后，如果关闭终端窗口，则这些修改将会失效。为了避免这种情况发生，可以考虑重启计算机使新的设置生效；另一种方法是在`.bashrc`或其他shell初始化文件中加入相应的配置语句以实现每次启动时自动应用所需的权限调整[^2]。 #### 加载预构建好的镜像 从Webank AI提供的链接下载对应版本号下的独立模式FATE Docker镜像压缩包(`standalone_fate_docker_image_${version}_release.tar.gz`)至本地磁盘位置之后，利用下面给出的一系列命令将其导入系统内部供后续调用: ```bash wget https://webank-ai-1251170195.cos.ap-guangzhou.myqcloud.com/fate/${version}/release/standalone_fate_docker_image_${version}_release.tar.gz && \ docker load -i standalone_fate_docker_image_${version}_release.tar.gz && \ docker images | grep federatedai/standalone_fate ``` 这一步骤完成后应该可以在列表里看到名为`federatedai/standalone_fate`的相关条目显示出来表示加载成功[^3]。 #### 启动服务 最后按照官方文档指示创建必要的目录结构以及环境变量定义文件等内容，再借助`docker-compose up -d`这样的方式一次性拉起整个集群内的各个节点实例即可开始实验性质的工作流程了[^4]。
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