联邦学习(Federated Learning)详解以及示例代码

联邦学习也称为协同学习,它可以在产生数据的设备上进行大规模的训练,并且这些敏感数据保留在数据的所有者那里,本地收集、本地训练。在本地训练后,*的训练协调器通过获取分布模型的更新获得每个节点的训练贡献,但是不访问实际的敏感数据。

联邦学习本身并不能保证隐私(稍后我们将讨论联邦学习系统中的隐私破坏和修复),但它确实使隐私成为可能。

联邦学习的用例:

  • 手机输入法的下一个词预测(e.g. McMahan et al. 2017, Hard et al. 2019)
  • 健康研究(e.g. Kaissis et al. 2020, Sadilek et al. 2021)
  • 汽车自动驾驶(e.g. Zeng et al. 2021, OpenMined 的文章)
  • “智能家居”系统(e.g. Matchi et al. 2019, Wu et al. 2020)

因为隐私的问题所以对于个人来说,人们宁愿放弃他们的个人数据,也不会将数据提供给平台(平台有时候也想着白嫖

上一篇:Linux高性能服务器编程之epoll的两种模式LT和ET


下一篇:maven执行"mvn clean package" 命令报错