联邦学习常识，联邦学习的提出日期

最新推荐文章于 2025-09-25 14:34:54 发布
原创 最新推荐文章于 2025-09-25 14:34:54 发布 · 791 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#人工智能

联邦学习是2016年由谷歌提出的分布式机器学习框架，其核心算法FedAvg在2017年被详细介绍。该算法允许在不集中数据的情况下进行模型训练，保护了数据隐私。

系列文章目录

文章目录

联邦学习概念的提出

联邦学习这一概念是谷歌公司在2016年首次提出的，联邦学习中最经典的算法FedAvg则是谷歌公司在2017年提出的
2016年：
在这里插入图片描述
2017年：
在这里插入图片描述
论文详情：
在这里插入图片描述
谷歌公司博客介绍fedavg算法的应用，该博客写于2017年：
在这里插入图片描述

【Python爬虫(85)】联邦学习：爬虫数据协作的隐私保护新范式
邓邓子的博客
02-26 927
本文聚焦联邦学习在爬虫数据领域的应用。开篇剖析联邦学习原理，涵盖定义、核心原理及类型区分。接着阐述数据隐私保护机制，包括必要性、技术及风险应对。随后介绍多组织爬虫数据协作模式，涉及架构设计、任务分配与数据处理流程。还展示跨领域爬虫数据整合的应用场景、实施步骤及效果评估。最后分析面临的技术、法律等挑战，预测未来算法优化与技术融合趋势，凸显联邦学习对爬虫数据处理的重要意义。
论文阅读——面向非独立同分布数据的车联网多阶段联邦学习机制
sca1p31的博客
07-20 1725
车联网环境下，多台车辆采集的数据通常是非独立同分布数据（non-IID），传统的联邦学习算法在non-IID数据中效果不够好。所以本文提出了FedWO，一种面向non-IID数据的车联网多阶段联邦学习机制。第1阶段采用联邦平均算法，使得全局模型快速达到一个基本的模型准确度。第2阶段采用联邦加权多方计算，依据各车辆的数据特性计算其在全局模型中的权重，聚合后得到性能更优的全局模型，同时使用传输控制策略，减少模型传输带来的通信开销。
联邦学习
datacreating的博客
12-02 5436
“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。
联邦学习（Federated Learning, FL）
Rhett_Butler0922的博客
05-01 1401
联邦学习是一个跨学科领域，融合了机器学习、分布式系统、隐私保护和优化理论。它的核心在于通过分布式协作训练模型，同时保护数据隐私和降低通信成本。深入理解联邦学习需要掌握其理论基础（如优化目标、Non-IID挑战）、核心算法（如FedAvg及其变种）、隐私机制（如差分隐私、安全聚合）、工程挑战（如通信效率、系统异构性）以及应用场景（如医疗、金融、物联网）。
联邦学习（Federated Learning）概述
qq_43651384的博客
06-11 5万+
1.什么是联邦学习
什么是联邦学习
爱学习爱运动的专栏
12-17 5749
联邦学习 1.1 联邦学习的概念 历史：联邦学习最早在 2016 年由谷歌提出，原本用于解决安卓手机终端用户在本地更新模型的问题； 本质：联邦学习本质上是一种分布式机器学习技术，或机器学习框架。 目标：联邦学习的目标是在保证数据隐私安全及合法合规的基础上，实现共同建模，提升AI模型的效果。 联邦学习的架构分为两种，一种是中心化联邦（客户端/服务器）架构，一种是去中心化联邦（对等计算）架构。 针对联合多方用户的联邦学习场景，一般采用的是客户端/服务器架构，企业作为服务器，起着协调全局模型的作用； 针对联合多
【DecFL】一文读懂什么是去中心化联邦学习以及CoCo算法详解
yigan_Eins的博客
11-17 3119
本文着重讲解了联邦学习的出现和去中心化联邦学习的概念，以及精度论文《Accelerating Decentralized Federated Learning in Heterogeneous Edge Computing》（《加速异构边缘计算中的分散联邦学习》），提出了一种高效算法CoCo以加速DFL，它自适应地构建P2P网络拓扑，并为所有worker确定适当的压缩比，以克服网络动力学和系统异构性问题。
28、边缘设备实时多媒体任务的联邦学习用户调度
最新发布
green的博客
09-25 28
本文针对边缘设备在实时多媒体任务中进行联邦学习时面临的网络不稳定和计算资源动态变化等问题，提出了一种基于设备状态预测的智能用户调度机制。通过收集设备的电量、网络状态、计算性能和位置信息等多维度数据，结合约束条件与算法模型，实现对参与训练设备的高效筛选。实验结果表明，该方法能显著提升联邦学习的收敛速度与训练效率，有效避免因设备性能不足或通信中断导致的训练延迟。未来可进一步优化多因素融合与动态调整策略，拓展至医疗、金融等更多应用场景。
联邦学习论文分享：POPri: Private Federated Learning using Preference-Optimized Synthetic Data
qq_56757193的博客
08-24 964
每个摘要作为一个客户端，样本是摘要中的 64-token 片段。
联邦学习（Federated Learning）
热门推荐
草棚
04-27 22万+
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，在 2016 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，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...
Personalized Federated Learning: A Meta-Learning Approach 个性化联邦学习PerFedAvg开山鼻祖之作
De-Alf的博客
04-19 1056
简单回顾MAML。给定一组从底层分布中提取的任务，在MAML中，与传统的监督学习设置相反，目标不是找到一个在预期的所有任务上都表现良好的模型。相反，在MAML中，假设在新任务到达后，有限的计算预算来更新模型，在这个新设置中，寻找一个初始化，它在相对于这个新任务更新后表现良好，可能是通过一个或几个梯度下降步骤。这个公式的优势在于，保持FL的优势还捕获了用户之间的差异，无论是现有用户还是新用户都可以将这个新问题的解决方案作为初始点，并根据自己的数据稍微更新它。
一文读懂联邦学习的前世今生（建议收藏）
JDDTechTalk的博客
11-17 2万+
前言 联邦学习（Federated Learning）作为人工智能的一个新分支，为机器学习的新时代打开了大门。如果投票问人工智能和大数据应用领域有什么好玩又好用的新技术，“联邦学习”一定是排在前列的。 这项技术由谷歌在2016年首次提出，从2018年8月开始在国内快速发展和普及，截至2020年2月，有公开资料可查的联邦学习研究或应用单位已超过百家，阿里、微众、京东、腾讯、华为、平安等各领域的头部企业均在大力推进。身边做技术和业务的朋友都在说：忽如一夜春风来，联邦学习突然就在圈子里传播了，在聊天中不发表点联邦
联邦学习算法综述
weixin_45585364的博客
01-06 1万+
点击上方蓝字关注我们联邦学习算法综述王健宗1，孔令炜1，黄章成1，陈霖捷1，刘懿1，何安珣1，肖京21.平安科技（深圳）有限公司，广东 深圳 5180632.中国平安保...
大规模联邦学习：谷歌的系统设计
R2017的博客
02-29 653
大规模联邦学习：谷歌的系统设计 摘要：联邦学习是一种分布式机器学习方法，可对大量分散数据进行模型训练。我们已在TensorFlow的基础上为移动设备领域的联合学习构建了可扩展的生产系统。在本文中，我们描述了由此产生的高级设计，概述了一些挑战及其解决方案，并探讨了未解决的问题和未来的方向。 Introduction 联合学习（FL）是一种分布式机器学习方法，可以对驻留在移动电话等设备上的大量分散...
利用谷歌的联邦学习框架Tensorflow Federated实现FedAvg（详细介绍）
KI的博客
02-12 8296
利用谷歌的联邦学习框架Tensorflow Federated实现FedAvg（详细介绍）
初识联邦学习(Federated learning)
gls_nuaa的博客
12-03 3493
  联邦学习(Federated learning)最早在2016由谷歌提出，并在之后受到大量的关注。本文旨在简要介绍联邦学习，了解联邦学习的背景，而不关注联邦学习具体的实现方案。希望能解释通如下几个问题。   1.为什么要有联邦学习   2.什么是联邦学习   3.联邦学习的简易模型   4.联邦学习的优势 1.为什么要有联邦学习？   在阅读联邦学习相关文献时，总会遇到一个词——去中心化。联邦学习实际上是机器学习的一种，只不过它改变了机器学习的训练模式，变得更加安全。常规的机器学习训练方式是将全部数据送
详解FedAvg：联邦学习的开山之作
weixin_70757494的博客
06-08 1万+
在FL中，server将全局模型下放给各client，client利用本地的数据去训练模型，并将训练后的权重上传到server，从而实现全局模型的更新。作者指出，相比于传统模式下训练模型时计算开销为主通信开销较小的情况，在FL中，通信开销才是大头，因此减少通信开销才是我们需要关注的，作者提出可以通过加大计算以减少训练模型所需的通信轮数。该结论是实现FL的重要支持，在每一轮通信时，server有必要发布全局模型，使各client采用相同的参数在本地数据集上进行训练，可以有效减少loss。
跨筒仓联邦学习能量有效任务分配机制研究
跨筒仓联邦学习的能量有效和时间敏感任务分配机制 跨筒仓联邦学习（FL）是一种新型的分布式学习框架，其中具有模型的客户端可以协同训练高质量的全局模型，同时保持其本地数据的隐私。然而，跨筒仓FL的任务分配设计...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

虫本初阳

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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