![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
联邦学习
Federated Learing
Lavender_LoveQaQ
一直很努力的小白
展开
-
《联邦学习》——个人笔记(五)
第五章纵向联邦学习横向联邦学习可以方便用于建立由庞大数量的移动设备所支持的应用。在这些场景下,联邦的目标是应用的消费群体,可以将其视为企业对消费者(B2C)范式。然而在很多实际场景中,联邦学习的参与方是拥有同一用户群体的组织或机构。这些组织针对同一群体收集不同的数据特征以实现不同的业务目标。他们为了提高业务效率,通常由很强的合作意向,这可以被视为企业对企业(B2B)范式。假设有一位用户在一家银行中有一些能够反映出该用户的经济收入、消费习惯和信用评级的数据记录。同时在一家电商平台中记录着这位用户所浏览和购原创 2020-11-05 13:22:22 · 1896 阅读 · 1 评论 -
《联邦学习》——个人笔记(四)
第四章 横向联邦学习4.1横向联邦学习的定义横向联邦学习也称为按样本划分的联邦学习,可以应用于联邦学习的各个参与方的数据集有相同的特征空间和不同的样本空间的场景。4.2 横向联邦学习架构4.2.1客户-服务器架构也被称为主-从架构或者轮辐式架构。在这种系统中,具有数据结构的K个参与方(也叫做客户或用户)在服务器(也叫做参数服务器或者聚合服务器)的帮助下,协作地训练一个机器学习模型。横向联邦学习系统的训练过程通常由下面四个步骤完成:(1)各参与方在本地计算模型梯度,并使用同态加密、差分隐私或秘原创 2020-11-03 11:53:22 · 3336 阅读 · 2 评论 -
《联邦学习》——个人笔记(三)
第三章分布式机器学习3.1分布式机器学习介绍3.1.1分布式机器学习的定义分布式机器学习(Distributed Machine Learning,DML),是指利用多个计算节点进行机器学习或者深度学习的算法和系统,旨在提高性能、保护隐私,并可扩大至更大规模的训练和更大的模型。DML可以分为两类:面向扩展性的DML和面向隐私保护的DML。面向扩展性的DML是指用来解决不断增长的扩展性和计算需求问题的机器学习系统。当内存限制和算法复杂度是主要障碍时,面向扩展性的DML方法便为大规模ML提供了可行原创 2020-10-22 12:32:54 · 1107 阅读 · 1 评论 -
《联邦学习》——个人笔记(二)
第二章 隐私、安全及机器学习2.1面向隐私保护的机器学习Privacy-Preserving Machine Learning ,PPML包括以下几种方法:安全多方计算(Secure Multi-party Computation, MPC)供隐私保护模型训练和预测使用的同态加密方法(Homomorphic Encryption, HE)用于防止数据泄露的差分隐私方法(Differential Privacy,DP)2.2面向隐私保护的机器学习与安全机器学习二者区别主要在于他原创 2020-10-22 12:18:41 · 1333 阅读 · 1 评论 -
《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原创 2020-10-22 12:08:36 · 849 阅读 · 0 评论