m0_67661689的博客

联邦学习是一种新兴的分布式学习技术，由于其隐私保护的特性，允许网络中的多个客户端设备在不直接暴露客户端数据的情况下联合训练机器学习模型。然而，研究发现使用联邦学习训练的模型通常比标准的集中学习模式下训练的模型性能更差，尤其是当训练数据不平衡时。在联邦学习的背景下，数据不平衡可能发生在本地的一个客户端设备上，也可能发生在全局的多个设备上。不同类型数据不平衡的复杂性对联邦学习技术的发展提出了挑战，特别是考虑到同时缓解数据不平衡问题和保护数据隐私的需要。

假设N个用户{U1，U2，……，Un}，拥有自己的数据库{D1，D2，……，Dn}，并且每个人都不能直接访问别人的数据来扩展自己的数据。如图1所示,它包含三个基本步骤：（1）服务器向每个设备发送初始模型。（2）设备Ui不需要共享自己的源数据，而是可以用本地数据Di训练自己的模型Wi。（3）服务器聚合本地模型{W1,W2,...,Wn}形成W′，然后用其替换每个客户端的本地模型。随着大数据和人工智能的发展，公众对隐私的要求越来越严格。因此，联邦学习应运而生，这是一种跨平台隐私保护的新解决方案。