联邦学习综述小结

于 2022-10-08 14:24:18 发布
阅读量186 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/weixin_44308250/article/details/127207803
版权

联邦学习综述小结

阅读的文献为：联邦学习算法综述（王健宗等）仅供学习参考，具体算法详细介绍可以查找原文进行阅读学习。

联邦学习算法

  1. 联邦学习算法特点
    在这里插入图片描述

  2. 联邦学习算法结构
    来自 图片来自原文

  3. 联邦学习算法对比
    来自原文图片来自原文

  4. 联邦学习算法的优化分类方法
    在这里插入图片描述图片来自原文

  5. 与分布式机器学习相比的不同之处
    a.应用领域
    分布式需要将数据上传到服务器。
    联邦学习始终将数据存储在本地。
    b.数据属性
    分布式的原始数据往往是独立同分布的。
    联邦学习的原始数据往往是非独立同分的，在进行训练时需要进行对齐工作。
    c.系统构成
    （物理组成上二者相似）联邦聚合是联邦学习系统中不同于分布式机器学习的优化算法。

  6. 联邦学习难点与展望

在这里插入图片描述

学习从入门到放弃
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
虚拟专题：联邦学习 | 联邦学习研究综述
weixin_45585364的博客
02-24 2728
来源：网络与信息安全学报联邦学习研究综述周传鑫，孙奕，汪德刚，葛桦玮信息工程大学，河南 郑州450001摘要：联邦学习由于能够在多方数据源聚合的场景下协同训练全局最优模型，近年来迅速成为...
综述｜联邦持续学习最新研究进展
小白学视觉
12-22 544
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达导读本文是对联邦持续学习完整的综述。由于数据隐私限制，多个中心之间的数据共享受到限制，这就影响了联邦学习架构下多中心合作开发高性能深度学习模型的效果。持续学习（Continual Learning）作为点对点联合学习的一种方法，可以通过共享中间模型而不是训练数据来绕过数据隐私的限制，从而促进多中心协作开发深度学习算法。近期不断...
联邦学习概述与现状
Cheney的博客
08-17 2673
联邦机器学习(Federated machine learning/Federated Learning)，又名联邦学习，联合学习，联盟学习。联邦机器学习是一个机器学习框架，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，进行数据使用和机器学习建模。联邦学习作为分布式的机器学习范式,可以有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛,实现AI协作。谷歌在2016年提出了针对手机终端的联邦学习,微众银行AI团队则从金融行业实践出发,关注跨机构跨组织的大数据
KBS 2021 | 联邦学习综述
KI的博客
02-07 6833
KBS 2021 | 联邦学习综述
联邦学习和Analyzing User-Level Privacy Attack Against Federated Learning阅读报告
mental的博客
11-21 4081
联邦学习所具有的特点 支持非独立同分布的数据 不同客户端中的样本产生可能有差别。 特征分布倾斜：不同的人写相同的字但字迹不一样。 标签分布倾斜：不同地区的人用的表情不一样。 标签相同，特征不同：两个不同的文字，但表示的意义一样。 特征相同，标签不同：有的地方点头表示yes，有的地方点头表示no。 数据不平衡。 通信高效 快速收敛 安全性和隐私性 用户构成复杂 联邦学习的安全，隐私保护方向 1.优势 在保护数据隐私的前提下，实现由多个参与者的本地数据训练出统一的机器学习模型。 2.存在
Deakin最新《联邦学习智慧医疗》综述
11-28
总结来说，联邦学习为解决智能医疗中的数据隐私问题提供了新的思路，并且已经在多个医疗应用场景中展现出显著的优势。随着技术的进一步发展和完善，我们可以预见，FL将在智慧医疗领域发挥更大的作用，推动医疗保健...
联邦学习隐私保护机制综述1
08-04
总结来说，联邦学习通过分布式学习方式解决了数据孤岛问题，而其隐私保护机制则致力于在保证模型性能的同时，最大程度地保护用户数据的隐私。未来的联邦学习研究将继续聚焦于提升隐私保护水平，优化系统效率，以及...
[学习记录-1]联邦学习知识
01-06
文献总结了联邦学习系统的特点和分类。 机器学习算法需要大量数据，单组织数据无法训练高质量模型。由于政策法规（数据保护条例）限制，不同组织的数据隔离，形成数据孤岛（data islands），无法简单共享数据。保护...
机器学习的隐私保护研究综述.pdf
09-24
集中式学习需要将所有用户数据集中到一个地方，然后进行模型训练，而联邦学习则允许多个设备之间协作训练模型，而不需要将数据集中到一起。两者都存在隐私和安全问题，但联邦学习可以更好地保护用户隐私。 目前，...
联邦推荐系统综述.docx
02-23
在推荐系统中，联邦学习允许在本地设备上训练模型，汇总模型更新而非原始数据，从而实现个性化推荐的同时保障数据安全。联邦推荐系统将有助于解决传统推荐系统中的隐私问题，提高用户体验，并满足合规要求。 总结来...
去中心联邦学习（FL）+区块链+激励机制综述，总结很全面
03-25
Decentral and Incentivized Federated Learning Frameworks: A Systematic Literature Review 去中心联邦学习（FL）+区块链+激励机制综述，总结很全面
Survey of federated learning research.pdf
12-27
总结，联邦学习作为一种创新的机器学习范式，正在解决传统机器学习的局限，为大数据时代的数据隐私和安全提供了新的解决方案。随着技术的不断发展，我们可以期待联邦学习在更多领域带来革命性的变革。
群体智能中的联邦学习算法综述
weixin_70923796的博客
07-24 1080
摘要群体智能是在互联网高速普及下诞生的人工智能新范式。然而，数据孤岛与数据隐私保护问题导致群体间数据共享困难，群体智能应用难以构建。联邦学习是一类新兴的打破数据孤岛、联合构建群智模型的重要方法。首先，介绍了联邦学习的基础概念以及其与群体智能的关系；其次，基于群体智能视角对联邦学习算法框架进行了分类，从隐私、精度与效率3个角度讨论了联邦学习算法优化技术；而后，阐述了基于线性模型、树模型与神经网络模型的联邦学习算法模型；最后，介绍了联邦学习代表性开源平台与典型应用，并对联邦学习研究进行总结展望。关键词： 群体智
个性化联邦学习综述
热门推荐
联邦学习小白
06-16 1万+
《Personalized federated learning for intelligent iot applications》
联邦学习综述总结
吴彦祖的博客
12-25 4429
联邦学习综述总结 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录联邦学习综述总结一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 一、pandas是什么？ 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码如下（示例）： import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn a
联邦学习总结
qq_43359515的博客
07-09 1047
** 引言 **：随着人工智能(AI)支持的智能服务和应用的普及，物联网(IoT)正在渗透到我们日常生活的许多方面。传统上，人工智能技术需要集中的数据收集和处理，但由于现代物联网网络的高可扩展性和日益增长的数据隐私问题，这在现实应用场景中可能不可行。联邦学习(FL)已经成为一种分布式协同人工智能方法，通过允许在分布式物联网设备上进行人工智能训练而不需要数据共享，它可以使许多智能物联网应用成为可能。 联邦学习(FL)的概念被提出用于构建智能和隐私增强的物联网系统。从技术上讲，FL是一种分布式协同AI方法，它允
差分隐私联邦学习综述
最新发布
05-09
差分隐私联邦学习是一种结合了差分隐私和联邦学习两种技术的新型隐私保护机制。其中，差分隐私是一种保护个人数据隐私的方法，通过在计算结果中添加一定的噪声来保护原始数据。而联邦学习则是一种分布式机器学习方法...
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