Federated Machine Learning: Concept and Applications

已于 2022-11-22 15:35:36 修改
阅读量485 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 联邦学习 文章标签： 人工智能 算法 学习
于 2022-11-22 15:34:20 首次发布
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。
本文链接：https://blog.youkuaiyun.com/H_usky/article/details/127983853

Federated Machine Learning: Concept and Applications

背景

打破数据源之间的障碍是困难的，甚至是不可能的。大多数行业中，数据以孤岛形式存在。

各国都在加强保护数据安全和隐私的法律。这些法规的建立显然有助于建立一个更加文明的社会，但是也将对人工智能目前普遍使用数据交易程序提出新的挑战。

联邦学习概述

联邦学习定义

定义 N N N个数据拥有者 F 1 , . . . , F N {\mathcal{F}_1,...,\mathcal{F}_N} F1​,...,FN​, 他们都希望整合自己的数据 D 1 , . . . , D N {\mathcal{D}_1,...,\mathcal{D}_N} D1​,...,

最低0.47元/天 解锁文章

200万优质内容无限畅学
简单理解什么叫联邦学习（全）
cryptocxf的博客
09-06 4万+
《Federated Machine Learning：Concept and Applications》 该篇综述《Federated Machine Learning：Concept and Applications》是杨强教授在2019年发表在ACM Transactions on Intelligent Systems and Technology (TIST)上的一篇综述论文，比较全面和系统的介绍了联邦学习的基本概念、分类和一些安全隐私问题等。下面是我个人结合本篇综述理解的一些笔记记录，比较精简，
综述笔记：联邦学习：Federated Machine Learning: Concept and Applications
liuzeyao_Newton的博客
09-22 2842
联邦学习的综述 Federated Machine Learning: Concept and Applications
Federated Machine Learning: Concept and Applications综述
甜瓜出逃中的博客
04-30 1016
综述文献：Federated Machine Learning: Concept and Applications 部分知识整理 文献介绍了联邦学习的概述与体系架构 人工智能面临的挑战：1）数据以孤岛形式存在；2）数据隐私和安全 传统数据处理模型：一方收集数据并将数据传输给另一方，另一方负责数据的清理和融合。最后，第三方将获取集成的数据并构建模型供其他方使用。 1. 联邦学习概述 1）概念：The...
《Federated_Machine_Learning:Concept_and_Applications》精读
文杰的博客
04-07 5527
《Federated_Machine_Learning:Concept_and_Applications》 《联邦学习的概念和应用》论文的学习 一、基本信息 基本概念: Honest-but-Curious(HBC) (1)节点将不会了解到关于数据集合的任何有用信息 (2)节点可以被赋予搜索集合的权利并将适当的(加密的)文档返回给其他节点的能力。 同态加密 概念 如果我们有一个加密函数 f , 把明文A变成密文A’, 把明文B变成密文B’，也就是说f(A) = A’ ，f(B) = B’ 。另外我们还有
federated machine learning: concept and applications
04-11
联邦学习：概念和应用。联邦学习是一种通过分布式的机器学习算法让多个设备或数据源共同学习的方法。它可以解决许多数据隐私和授权问题，例如医疗数据的保护。联邦学习在许多应用领域，如智能手机、物联网设备和金融...
Federated-Learning:联邦学习
05-17
Federated Learning 人工智能（Artificial Intelligence...Federated Machine Learning: Concept and Applications Threats to Federated Learning: A Survey Survey of Personalization Techniques for Federated Lear
Federated Machine Learning:Concept and Applications
sleepinghm的博客
10-30 1225
https://www.cnblogs.com/lucifer1997/p/11223964.htmlhttps://blog.youkuaiyun.com/qq_36375505/article/details/88554005https://blog.youkuaiyun.com/weixin_44774630/article/details/97529260?utm_source=app 关键技术： 差分隐私D...
Federated Machine Learning:Concept and Applications(论文笔记)
浅若清风cyf的博客
07-24 7940
近年来，数据的隔离和**对数据隐私的重视**正成为人工智能面临的下一个挑战，但联合学习给我们带来了新的希望。它可以建立在**保护本地数据**的同时，**为多个企业建立统一的模型**，以数据安全为前提，使企业能够共同取胜。本文主要介绍了**基本原理。 联邦学习的概念、体系结构和技术**，并讨论了它在各种**应用中的潜力**。预计在不久的将来，联邦学习将打破隔阂，建立一个能够与**安全共享数据和知识的社区**，并根据每个参与者的贡献**公平地分配利益**。人工智能的效益最终会被带到我们生活的每一个角落。
【论文阅读】Federated Machine Learning Concept and Application
qq_56483157的博客
06-20 663
今天的人工智能仍然面临两大挑战。一个是，在大多数行业中，数据以孤立的岛屿形式存在。另一个是加强数据隐私和安全。我们为这些挑战提出了一个可能的解决方案∶安全联邦学习。除了谷歌在2016年首次提出的联邦学习框架外，我们引入了一个全面的安全联邦学习框架，其中包括横向联邦学习、纵向联邦学习和联邦转移学习。该论文为联邦学习框架提供了定义、架构和应用，并对该主题的现有工作进行了全面调查。此外，我们建议在组织间建立基于联邦机制的数据网络，作为一种有效的解决方案，在不损害用户隐私的情况下允许知识的共享。
联邦学习笔记-《Federated Machine Learning: Concept and Applications》论文翻译个人笔记
qq_41831136的博客
05-03 1375
联邦学习笔记-《Federated Machine Learning: Concept and Applications》论文翻译个人笔记 摘要 今天的人工智能仍然面临着两大挑战。一是在大多数行业中，数据以孤岛的形式存在。另一个是加强数据隐私和安全。我们为这些挑战提出了一个可能的解决方案:安全联邦学习。除了2016年谷歌首次提出的联邦学习框架外，我们还引入了一个全面的安全联邦学习框架，包括水平联邦学习、垂直联邦学习和联邦迁移学习。我们提供了联邦学习框架的定义、架构和应用程序，并提供了有关该主题的现有工作的全
Federated Machine Learning学习笔记（一）：综述：概念与模型
csyifanZhang的博客
03-04 2421
开始将mobile与AI进行靠拢了，RL,FL,DL一网打尽，先多看看survey再说。本文主要来自于Federated Machine Learning: Concept and Applications，主要介绍了使用Federated Machine Learning的原因，常用的一些概念，以及目前存在的一些应用。为了鼓励自己好好学习，决定提炼核心思想，以备不时之需。 一、Why we ne...
纵向联邦线性回归实现-Federated Machine Learning Concept and Applications论文复现
qq_43539664的博客
01-09 1938
现有同一个城市的两家公司A和B，A公司和B公司的业务范围不同，但所服务的业务对象大多都是该城市的人，所以A公司和B公司所持与的数据，样本ID重叠较多，样本特征重叠较少(因为业务逻辑不同)。而且B公司拥有标签y，A公司没有，所以A公司是无法单边建模的。B公司虽然可以单边建模，但由于样本特征数较少，建模效果不理想。现在出现了一种纵向联邦建模的技术，可以在保护参与方数据隐私的前提下进行联合学习，A和B这种情况的联邦学习属于纵向联邦学习。
Federated Learning 的一些基本知识和分类
小李好好学
03-14 6133
definition of federated learning 定义有N个用户 每个人所含有的私有数据为 传统的深度学习算法将每个用户的数据收集在一起得到总的数据集 再进行训练一个模型 Federated Learning的训练方法是每一个用户利用自己的数据进行模型训练 不同用户之间不进行数据共享。这时定义总数据集模型的正确率与分用户模型的正确率之差为δ-accuracy loss 一...
TensorFlow查看ckpt中变量的几种方法
热门推荐
黑暗星球
06-03 1万+
查看TensorFlow中checkpoint内变量的几种方法 查看ckpt中变量的方法有三种： 在有model的情况下，使用tf.train.Saver进行restore 使用tf.train.NewCheckpointReader直接读取ckpt文件，这种方法不需要model。 使用tools里的freeze_graph来读取ckpt 1. 基于model来读取ckpt文件里的变量 ...
联邦学习（Federated Learning）介绍
土豆洋芋山药蛋的博客
04-21 6083
参考资料： Tensorflow官网教程：https://www.tensorflow.org/federated/ 联邦学(federated learning)习生态：https://cn.fedai.org federated learning/联邦学习：https://daiwk.github.io/posts/dl-federated-learning.html Federated ...
评论 1
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
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