你的Siri收集了你的个人数据？联邦学习介绍

最新推荐文章于 2024-06-25 08:22:17 发布
最新推荐文章于 2024-06-25 08:22:17 发布
阅读量1.2k 收藏
点赞数
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/wingalong/article/details/103954230
版权
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。
摘要由CSDN通过智能技术生成
2736397-b703f3acd4af293d.png
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
闭眼卖布
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
联邦学习分布式数据训练与隐私保护
禅与计算机程序设计艺术
03-30 331
联邦学习-分布式数据训练与隐私保护 作者：禅与计算机程序设计艺术 1. 背景介绍 随着人工智能和机器学习技术的快速发展，数据驱动的模型训练已经成为这些领域的核心技术。然而,在许多实际应用中,数据通常分散在不同的设备或组织中,很难集中到一个中心位置进行训练。同时,数据的隐私和
联邦学习实战——构建公平的大数据交易市场
南七小僧的学海无涯
08-30 119
FATE是微众银行开发的联邦学习平台，是全球首个工业级的联邦学习开源框架，在github上拥有近4000stars，可谓是相当有名气的，该平台为联邦学习提供了完整的生态和社区支持，为联邦学习初学者提供了很好的环境，否则利用python从零开发，那将会是一件非常痛苦的事情。本篇博客内容涉及《联邦学习实战》第十四章内容，使用的fate版本为1.6.0，fate的安装已经在这篇博客中介绍，有需要的朋友可以点击查阅。
【阅读笔记】联邦学习实战——构建公平的大数据交易市场
HERODING23的博客
03-28 1万+
联邦学习实战——构建公平的大数据交易市场前言1. 大数据交易1.1 数据交易定义 前言 FATE是微众银行开发的联邦学习平台，是全球首个工业级的联邦学习开源框架，在github上拥有近4000stars，可谓是相当有名气的，该平台为联邦学习提供了完整的生态和社区支持，为联邦学习初学者提供了很好的环境，否则利用python从零开发，那将会是一件非常痛苦的事情。本篇博客内容涉及《联邦学习实战》第十四章内容，使用的fate版本为1.6.0，fate的安装已经在这篇博客中介绍，有需要的朋友可以点击查阅。本章内容为构
联邦学习——学习笔记2：联邦学习×资源受限下的自适应本地迭代次数
最新发布
m0_57180439的博客
06-25 416
联邦学习——资源受限下的自适应本地迭代次数
《联邦学习实战》杨强 读书笔记十四——构建公平的大数据交易市场
IEEE802_11的博客
07-03 3133
当数据具有资产属性之后，数据便可以直接或者间接地为公司、为社会创造价值和收益，并且可以作为一种特殊的商品在市场中进行交易。 与传统的商品交易相比，数据资产交易的市场前景更广阔，但同时也面临着很多的挑战，主要包括： 数据的质量、价格如何定义 在合法合规的前提下，数据的交易如何确保不会泄露用户的隐私 如何构建合理的激励机制来鼓励更多的参与方加入数据交易市场中 大数据交易 数据交易的定义 数据交易是指一种对数据进行买卖的行为，大数据交易由三方共同参与，分别为数据提供方、大数据交易平台和数据需求方：
基于联邦学习的多源异构数据融合算法
weixin_70923796的博客
02-06 1160
3)三模态数据，即各个训练子节点上拥有所有结构的数据.其次，通过同一种多节点异构数据部署策略下训练的模型，在不同模态的异构数据上的表现，验证本文算法的普适性和泛化性.在本实验中，采用的特征提取数的组合(在回归任务上，当训练数据的模态数越高，模型在与训练集模态数不同的测试集上的性能表现越好.这是因为多模态模型在训练的过程中，除了学习各个模态本身具有的特征以外，对各个模态之间的潜在联系也进行了学习，因此，对于高模态数的训练模型来说，学习到的各个模态之间潜在联系的组合种类也就越多，回归任务的性能就越好.
Siri究竟犀利到了谁？.docx
09-27
【Siri究竟犀利到了谁？】 文章主要讨论了在科技行业中，哪些公司对Apple构成了威胁，特别是Siri这项智能语音助手技术的应用和发展。Siri作为Apple的一项标志性技术，其影响力和竞争力对整个市场格局产生了深远影响...
一文让你读懂什么是机器学习
01-27
此外，机器学习在诸如语音助手（如Cortana、Siri和Google Now）等产品中的应用，展示了它在实现人机交互方面的能力。 2. **机器学习的基本概念** 机器学习是基于数据的，而非传统的指令驱动。在机器学习中，算法会...
SIRI-WHU Data Set 遥感影像数据集.7z
07-13
SIRI-WHU Dataset 是一个遥感影像数据集，其包含 12 个类别的场景图像共计 2400 张，其中每个类别有 200 张，每张图像的像素尺寸为 200*200，空间分辨率为 2 米。数据集资源来自 Google Earth，主要涵盖中国城市地区...
智能手环是如何追踪人们的健康数据？
01-19
这款智能手表拥有蓝宝石屏幕，有接打电话、Siri 语音、收发信息等功能，它被苹果公司首席执行官库克定义为“一款革命性的产品”。能打电话，能收信息，这样一个功能齐全的手表，戴着一定很炫酷。 　等一下，这不...
SIRI WHU1数据集，该数据集为图像数据集
08-05
SIRI WHU1的数据集设计者显然意识到了这一点，因此很可能在收集图像时考虑了各种因素，如光照条件、角度、背景等，以增加模型在真实世界场景中的泛化能力。这些多样性的图像可以挑战模型，使其能够处理现实生活中的...
联邦学习——简记
专注于AI领域前沿技术学习与分享：目标检测、图像修复、超分重建、AI工程化
11-04 1571
参考文章：快速了解联邦学习技术及应用实践 相关论文推荐： 微众银行AI团队联邦学习相关论文下载地址
联邦学习基础知识和概念（入门）
fake_face的博客
06-11 6197
联邦学习是一种带有隐私保护、安全加密技术的分布式机器学习框架，旨在让分散的各参与方在满足不向其他参与者披露隐私数据的前提下，协作进行机器学习的模型训练。其设计目标是在保障大个人数据隐私、保证合法合规的前提下，在多参与方（可能是现实中的多个机构）或多计算结点之间协同学习到一个更好的全局模型。联邦学习的数据不共享，（加密后的）参数可共享，它可以基于server-client主从的中心化(centralized)结构，也可以是去中心化(decentralized)结构。
联邦学习-让隐私和 AI 相伴前行
YeeZTech的博客
05-04 406
2016年很特别，在那一年，大数据的发展已经不再把数据量作为关注的焦点，更紧迫的问题是数据的安全性和准确性。用联邦学习首次被应用的场景展开说明，就是我们手机里的数据，不需要离开我们的手机被集中采集，我们手机的数据，比如我们每天都在用的键盘输入法数据，在手机中就进行了处理，清理和建模，最终被收集的只是模型。这说的不就是我吗～ 我现在已经简要的讲完了过去一周 AI 领域发生的事情，你们也许会猜，刚刚我所讲的内容的稿子是使用AI工具给我润色的，甚至本次分享会的标题，都是AI工具给我生成的，可你们又怎么会发现呢。
联邦学习是什么？联邦学习简介
qq_45523675的博客
11-15 1万+
在大多数情况下，数据分散的保存在各个企业手中，而各个企业希望在不公开自己数据的情况下，联合其他企业（利用各个企业所持有的数据）一起训练一个模型，该模型能够帮助企业获取更大的利益。对于收集零散的数据，传统的方法是通过搭建一个数据中心，在数据中心对模型进行训练，但随着越来越多的法律限制加上数据拥有者不愿意透露自己的数据，这种方法已经渐渐行不通了。定义：联邦学习（federated learning），全称联邦机器学习（federated machine learning），为了解决联合训练模型时的隐私问题，提出
联邦学习（Federated Learning）
热门推荐
培根芝士的专栏
11-26 4万+
联邦学习简介 联邦学习（Federated Learning）是一种新兴的人工智能基础技术，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。其中，联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。 联邦学习的系统构架 以包含两个数据拥有方（即企业 A 和 B）的场景为例介绍联邦学习的系统构架。该构架可扩展至包含多个数据拥有方的场景。假
联邦学习（（Federated Learning，FL）
weixin_51306020的博客
07-14 9182
联邦学习相关概念、领域热点、挑战与前景。 联邦学习的定义、特点、框架、迭代流程、分类；领域亟待解决的问题；主要研究方向、热点和前景展望。
简单理解什么叫联邦学习（全）
cryptocxf的博客
09-06 1万+
《Federated Machine Learning：Concept and Applications》 该篇综述《Federated Machine Learning：Concept and Applications》是杨强教授在2019年发表在ACM Transactions on Intelligent Systems and Technology (TIST)上的一篇综述论文，比较全面和系统的介绍了联邦学习的基本概念、分类和一些安全隐私问题等。下面是我个人结合本篇综述理解的一些笔记记录，比较精简，
联邦学习
datacreating的博客
12-02 4462
“联邦学习（Federated Learning）”作为一种加密的分布式机器学习范式，可以使得各方在不披露原始数据的情况下达到共建模型的目的，即在不违反数据隐私保护法规的前提下，连接数据孤岛，建立性能卓越的共有模型。
你和Siri有哪些区别？
06-09
4. 技术实现不同：我是基于机器学习和自然语言处理技术实现的，而Siri则使用了语音识别、人工智能等技术。 总之，我和Siri虽然都是AI助手，但是在平台、应用场景、功能和技术实现等方面都有所不同。
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