联邦学习是一种去中心化的机器学习方法，它允许在不集中收集用户数据的情况下训练模型，如苹果的Siri。这种方法保护了用户隐私，解决了数据孤岛问题。在医疗领域，联邦学习能确保数据安全，同时训练出有效的模型。尽管仍面临挑战，但联邦学习已引起广泛关注并有广阔的研究前景。
MIT Technology Review - Apple Siri
这是 MIT Technology Review 12月11日的 Newsletter 的部分摘录，大概意思是，iPhone 上的 Siri 在听到我们个人说 "Hey Siri" 时有反应，但是对其他人说的都没有反应，按理来说，训练一个这种模型，会需要收集我们大量的声音数据，并且这些数据都会保存在苹果，但苹果并没有这么做，那它是怎么做到的呢？这就说到了今天的主角，联邦学习 (Federated Learning)。
什么是联邦学习？
联邦学习是一种训练数据去中心化的机器学习训练方式，最早在2016年由谷歌提出，目的是通过对保存在大量终端的分布式数据展开训练学习，最终汇总得到一个高质量的中心化机器学习模型。
在苹果 Siri 的例子上，每台手机都是一个终端设备，我们的音频信息都只保存在自己的手机上，苹果通过联邦学习的方式，用我们每个人的音频都训练得到了一个本地模型，然后再整合成一个统一的模型。通过这中方式，既能得到定制化
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
