联邦学习浅析

• 作者: 王佳 苗璐
• 来源期刊: 现代计算机
• 关键词: 人工智能 机器学习 联邦学习
• 年，卷（期）: 2020,（25）
• 所属期刊栏目: 研究与开发
• 页码范围: 27-31,36
• 页数: 6页
• 语种: 中文
• DOI: 10.3969/j.issn.1007-1423.2020.25.005

摘要

机器学习的成功依赖于大量可用的训练数据.然而,现实中通常面临的情况是,数据分布在多个不同的数据源中,而要训练一个强大的模型需要使用所有数据源中的数据.因此一个直接的想法是,将多个数据源合并到一起.然而,由于通信成本,想要将分散在各个组织、机构的数据进行整合所需的代价是巨大的.而且本地数据的分享会泄露用户隐私.近年来,世界各地都在加强对数据隐私的保护,许多新法案对个人数据的存储和共享施加了严格限制.针对从多个数据源汇集数据的困难,联邦学习的概念被提出,目的 是在满足数据隐私和监管要求的前提下,设计一个机器学习框架,使人工智能系统能够更加高效、准确地使用各自的数据.对联邦学习的研究背景、提出过程和定义进行简要的阐述,并且介绍近期的研究进展,以及联邦学习的相关概念.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王佳		7	5	1.0	2.0
2	苗璐		1	0	0.0	0.0