《联邦学习》——个人笔记（一）

《联邦学习(杨强)》

前言：
现在很多行业面对的数据往往是小规模的碎片化的，很难将不同机构的数据聚合起来。那么联邦学习既能帮助多个参与者搭建共享的高效能模型，又符合用户隐私和数据保密性的要求。
机器学习模型比作羊，把数据比作羊吃的草，那么传统的机器学习模型，需要到个个草场的供应商处收购草，这就像一家人工智能公司需要到处收集数据一样，会面临很多挑战。而联邦学习则是我们牵着羊去个个草场吃草，数据不出本地，而我们也可以获得它。

第一章 引言

1.1人工智能面临的挑战
机器学习迅速发展，这些成功都是建立在大量数据的基础之上的，而高质量、大数量的训练数据很难获得，我们不得不面对难以桥接的数据孤岛。
在当前的法律环境下，我们在不同组织间收集和分享数据变得越来越困难，尤其是那些高度敏感的数据（金融交易和医疗健康数据），很容易形成各自独立的数据孤岛。
再者，各方协同分享处理大数据的益处不明显，虽然分享数据有利于学习模型的完善，但也使数据价值降低。

1.2联邦学习概述
核心思想：每一个拥有数据源的组织训练一个模型，之后让各个组织在各自的模型上彼此交流沟通，最终通过模型聚合得到一个全局模型。为了确保用户隐私和数据安全，各组织间交换模型信息的过程会被精心设计，使得没有组织能猜到其他任何组织的隐私数据内容，同时，当构建全局模型时，各数据源仿佛已被整合到一起。
应用：谷歌智能手机的语言预测模型，即自动输入补全键盘系统。