Federated learning联合学习（1）-基础知识

最新推荐文章于 2025-03-18 23:15:38 发布
最新推荐文章于 2025-03-18 23:15:38 发布
阅读量1.7k 收藏 1
点赞数
文章标签： 机器学习
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/u014493140/article/details/104368663
版权
联合学习（Federated Learning）是一种在不交换本地数据样本的情况下，在多个边缘设备或服务器上训练机器学习算法的技术。它解决了隐私、监管和网络限制等问题，通过本地模型的参数平均来创建全局模型。联合学习中的隐私问题需要考虑差分隐私，以防止从模型中推断出训练数据信息。此外，个性化学习目标旨在解决全局模型与局部性能之间的冲突。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

摘抄
Federated learning (aka collaborative learning) is a machine learning technique that trains an algorithm across multiple decentralized edge devices or servers holding local data samples, without exchanging their data samples.

不同于：

  • 传统centralized ML techniques 所有数据上传到一个sever.
  • 经典的decentralized approaches假设local数据是 identically distributed.

设定

  1. 训练数据不能远离其来源。这种约束的原因可能包括隐私问题，监管障碍和实际工程限制（网络连接昂贵，速度慢或不可靠，或数据量太大了）。
  2. 有助于无法收集数据的情况。

联合平均

Process：

【Google2016】
-一个general的原则就是用本地数据训练本地模型并且以一定的频率与其他本地模型交换parameters来产生一个global model. （server可有可无）
-Sever向每个node发送训练特定类型的模型。

最低0.47元/天 解锁文章
HelenZYX
关注
人工智能大模型原理与应用实战：联合学习的基本概念和方法
AI天才研究院
11-07 468
联合学习（Federated Learning）是一种机器学习方式，它可以让多个用户在同一个模型上协同训练。联合学习通过减少参与方的数据量、降低通信成本、提高资源利用率等方式，提升模型的训练效率。其目的是为了促进分布式学习环境下数据各方之间的协作和共享，从而将各方数据的知识和经验相互增益，形成一个更加紧密的整体。随着深度学习技术的飞速发展和跨领域研究的火热，联合学习也逐渐成为机器学习领域的热门话题。
论文学习笔记：Personalized Federated Graph Learning on Non-IID Electronic Health Records
m0_57180439的博客
08-27 800
Personalized Federated Graph Learning On Non-IID Electronic Health Records 论文学习笔记
论文阅读 QA与QG联合学习
thormas1996的博客
07-17 2609
论文 Question Generation for Question Answering Question Answering and Question Generation as Dual Tasks A Joint Model for Question Answering and Question Generation 论文 Question Generation fo...
联邦学习(联合学习) Federated Learning(FL) (数据孤岛)(隐私计算)
热门推荐
hxxjxw的博客
08-24 1万+
联邦学习，是联邦机器学习的简称, 也叫联合学习，联盟学习 谷歌公司和微众银行分别提出了不同的“联邦学习”(Federated Learning)算法框架 联邦学习是一种机器学习设定，其中许多客户端在中央服务器的协调下共同训练模型，同时保持训练数据的去中心化及分散性。 联邦学习的长期目标：在不暴露数据的情况下分析和学习多个数据拥有者的数据。（目的：解决数据孤岛） 联邦学习通过联合多方在不泄露或汇聚各方原始数据的前提下进行联合建模 一般来说联邦学习中进行交换的数据是进行加密的模型或梯...
联邦学习（Federated Learning）
最新发布
dundunmm的博客
03-18 2686
联邦学习（Federated Learning, FL）是一种分布式机器学习技术，它允许多个参与方（如设备、机构或企业）在。（提升跨域泛化能力），推动AI在隐私保护下的协同发展。的方式，保护数据隐私的同时，实现跨数据源的联合建模。：联邦学习将进一步结合。（去中心化模型管理）、
机器学习基础--各种学习方式（10）--联合规则学习
wydbyxr的博客
07-12 943
联合规则学习（Association Rule Learning） 　　联合规则学习是用来对数据间提取规律的方法，通过这些规律可以发现巨量多维空间数据之间的联系，而这些重要的联系可以被组织拿来使用或者盈利。 　　有Apriori algorithm；Eclat algorithm...
深度学习：技术分享：联合学习，几个任务一起端到端的搞，如何让它们互相帮助呢？LSU：侧向共享单元
非正经研究生的猪圈
10-13 1901
看这篇论文 look deeper into depth: monocular depth estimation with semantic booster and attention-driven loss 的时候， 碰到个用联合的老哥： jianbo jiao 当时，第一遍 读文章 的概要的阅读笔记，请看 这里 摘要，从前人的工作 overview 一下 jianbo 联合 了 语义 和深度。 其实有 一些 先前的工作，2018 年之前，就有人 用联合 和 表征学习；它们是 16， 19， 20， 27
Personalized Subgraph Federated Learning，FED-PUB,2023,ICML 2023
Misnearch的博客
06-11 1410
引入了一种新的子图学习问题——个性化子图学习，该问题侧重于相互关联的局部gnn的联合改进，而不是学习单一的全局模型，并提出了一种新的框架。
论文汇报10.25Partially Encrypted Multi-Party Computation for Federated Learning
qq_53950993的博客
10-28 1075
组会汇报
联合学习_联合学习为什么以及如何开始
weixin_26750481的博客
09-28 2058
联合学习A general audience introduction to the federated learning technique and its goals, with a brief review of existing platforms and Digital Catapult’s own demonstration example. 向大众介绍联邦学习技术及其目标，并简要回顾...
Federated Learning in Mobile Edge Networks: A Comprehensive Survey .pdf
11-03
针对日益严格的数据隐私立法和日益增长的隐私关注，联邦学习(FL)的概念被引入。在FL中，终端设备使用它们的本地数据来训练服务器所需的ML模型。然后，终端设备将模型更新而不是原始数据发送到服务器进行聚合。FL可以作为移动边缘网络的一种使能技术，因为它可以实现ML模型的协同训练，也可以使DL用于移动边缘网络的优化。
Advances and Open Problems in Federated Learning.pdf
05-13
Advances and Open Problems in Federated Learning。Federated learning (FL) is a machine learning setting where many clients (e.g. mobile devices or whole organizations) collaboratively train a model under the orchestration of a central server (e.g. service provider), while keeping the training data decentralized. FL embodies the principles of focused data collection and minimization, and can mitigate many of the systemic privacy risks and costs resulting from traditional, centralized machine learning and data science approaches. Motivated by the explosive growth in FL research, this paper discusses recent advances and presents an extensive collection of open problems and challenges.
federated-learning:关于联邦学习的所有内容（论文，教程等）-联邦学习
05-13
联邦学习 Federated Learning Everything about federated learning. Your contribution is highly valued! 关于联邦学习的资料，包括：介绍、综述文章、最新文章、代表工作及其代码、数据集、论文等等。 欢迎一起贡献！ 目录 1. 教程 Tutorial 文字 PPT (AAAI-19) (AAAI-19) 视频 GDPR, Data Shortage and AI (AAAI-19 Invited Talk) 新闻 2019/02/09 谷歌发布全球首个产品级移动端分布式机器学习系统，数千万手机同步训练 2. 相关论文 Related Papers 综述与介绍 Survey And Introduction arXiv 201912 - Advances and Open Problems in Fede
Federated Learning.zip
03-04
新手入门推荐多篇综述文章，与一些经典文章。免费xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
联邦学习Advances and Open Problems in Federated Learning
01-09
联邦学习Advances and Open Problems in Federated Learning，谷歌最新力作，分析了联邦学习最新研究热点和未来的方向
Joint Learning 与 Multi-Task Learning浅析
吟游诗人——吟唱生命的不朽
08-22 1万+
Joint Learning和Multi-Task Learning都属于集成学习（Ensemble Learning）的范畴，但网上关于Joint Learning的相关资料较少，因此在这里对这两种学习方式进行简要介绍，并对其不同点进行区分。 Joint Learning Joint Learning是指模型中存在多个子任务，而我们可以将这些子任务一起训练。 这么说起来有点抽象，可以举个简单的例子。比如在深度学习中，这个“深度”就可以理解为采用了多个模型进行Joint Learning，比如在许多NLP任
RippleNet：知识图谱与推荐系统联合学习 CIKM 2018
u013602059的专栏
07-24 1807
论文链接：https://arxiv.org/pdf/1803.03467.pdf 代码链接：https://github.com/qibinc/RippleNet-PyTorch 参考文档：https://zhuanlan.zhihu.com/p/73716930
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