面向数据共享交换的联邦学习技术发展综述

• 作者: 王亚珅
• 来源期刊: 无人系统技术
• 学科: 工学
• 关键词: 联邦学习 数据共享交换 人工智能 隐私安全 数据孤岛 机器学习 系统架构设计 分布式计算
• 年，卷（期）: 2019,（6）
• 所属期刊栏目: 前沿动态分析
• 页码范围: 58-62
• 页数: 5页
• 分类号: TN915.41
• 字数: 6201字
• 语种: 中文

摘要

联邦学习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共享交换时的信息安全、保护终端个人数据隐私、保证合法合规的前提下,在多参与者或多计算节点之间开展高效率的机器学习,有望成为下一代人工智能协同算法和协作网络的基础.对近期联邦学习的相关研究与成果进行了综合评述,并对未来发展趋势进行了展望.首先,从数据孤岛和隐私保护等两个角度介绍联邦学习的兴起背景,并概述联邦学习内涵与机理;随后,聚焦技术革新和标准化建设"双轮驱动",概述联邦学习最新进展,并以公共文化服务领域为示范应用场景,介绍基于联邦学习技术的数据共享交换典型应用案例;最后,从通信费用高、统计异构性、系统异构性、隐私问题等四个角度讨论联邦学习面临的困难与挑战.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王亚珅	中国电子科技集团公司电子科学研究院社会安全风险感知与防控大数据应用国家工程实验室	2	1	1.0	1.0