只是粗略地通过联邦学习白皮书了解了一下联邦学习的大概,接下来会继续深入了解。

什么是联邦学习?

联邦学习Federated Learning学习笔记(1)
联邦学习模型的效果应该和数据聚合方法模型的效果应该差别不大(保证模型的效果)
联邦学习Federated Learning学习笔记(1)

联邦学习要解决什么问题?

数据孤岛
隐私问题

联邦学习的价值

联邦学习Federated Learning学习笔记(1)
联邦学习Federated Learning学习笔记(1)

与现有研究的关系

  • 差分隐私理论Differential Privacy(联邦学习 数据和模型本身不会进行传输,数据层面不存在泄露的可能)
  • 分布式机器学习Distributed Machine Learning(横向联邦学习中多方联合训练的方式和分布式机器学习有部分相似的地方;联邦学习面对的一个更复杂的学习环境,强调对数据拥有方的数据隐私保护)
  • 联邦数据库Federated Database System(与联邦学习在存储方式上有相似之处;联邦数据库不设计任何隐私保护机制,所有单元数据库对管理系统都是完全可见的)
  • 区块链(区块链是一种完全的P2P的网络结构;联邦学习中第三方会承担汇聚模型/管理等功能;技术上,区块链使用的加密算法:哈希算法,非对称加密,而联邦学习:同态加密;数据上,区块链通过加密的方式在各个节点上记录了完整的数据,而联邦学习:各方数据均仅保留在本地;奖励机制上,区块链:不同节点之间通过竞争记账来获得奖励,而联邦学习:多个参与方共同学习,提高模型训练结果,依据每一方的贡献来分配奖励)
  • 多方安全计算(利用安全多方计算来增强联邦学习的安全性研究)

联邦学习分类

背景:
联邦学习Federated Learning学习笔记(1)
分类:
联邦学习Federated Learning学习笔记(1)

横向联邦学习

联邦学习Federated Learning学习笔记(1)

纵向联邦学习

联邦学习Federated Learning学习笔记(1)

联邦迁移学习

联邦学习Federated Learning学习笔记(1)

联邦学习框架

  • 开源:FATE,TensorFlow Federated,PaddleFL,Pysyft(支持tensorflow,pytorch,keras)
    联邦学习Federated Learning学习笔记(1)

应用

  • 车险定价
  • 信贷风控
  • 自动驾驶
  • 隐私保护广告
  • 辅助诊断
  • 视觉安防

未来研究方向

  • 安全性:攻击
  • 激励机制
  • 有效性和效率

分类:

技术点:

相关文章: