五分钟读懂联邦学习

最新推荐文章于 2025-12-27 16:51:58 发布
最新推荐文章于 2025-12-27 16:51:58 发布
阅读量359 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 崔博效率手册 文章标签： 人工智能 大数据
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/weixin_41978708/article/details/128168210
联邦学习是一种解决数据孤岛问题的技术，允许不同机构在保护数据隐私的前提下，联合训练模型以提升预测准确率。它分为横向、纵向和联邦迁移学习三种类型，广泛应用于金融风控、医疗诊断和监管预警等领域。尽管面临性能和安全挑战，但其在保障数据安全的同时，促进了分布式计算和联合计算的发展。
了解本专栏 订阅专栏 解锁全文 超级会员免费看
用联邦学习喂国产大模型：数据不给你，但模型得懂我
努力分享一些人工智能、计算机视觉、影像等相关的知识干货！
04-08 1148
所有客户端必须从同一个 base model 开始，比如大家都用 Qwen2.5-1.8B，不能你用 DeepSeek，我用 Baichuan，那聚合就没法整了。很多地方不是不想做模型微调，而是根本不能把数据给你用。这个过程就叫联邦训练，一个模型通过“大家轮流出力”，逐渐变得懂所有人的数据，但又不侵犯谁的数据隐私。别看名字叫“联邦学习”，其实底层逻辑比你想象的简单，甚至说它就是一种“变种的分布式训练”，也不过分。如果你能搞一套联邦式微调框架，就能把多个“不会共享数据”的地方，变成一个“协同训练”的网络。
安全多方计算在联邦学习中的创新应用实践
AI天才研究院
07-14 671
安全多方计算与联邦学习的结合，本质上是**“数据隐私”与“数据价值”的平衡**。它让我们在不泄露隐私的情况下，充分利用分散的数据资源，训练更准确的模型，解决更复杂的问题（比如癌症预测、信用评估、故障诊断）。未来，随着MPC技术的效率提升（比如硬件加速、协议优化）和行业标准的制定，安全联邦学习将成为“数据合作”的主流模式，让“数据不出门”也能“创造价值”。如果你想深入学习，可以从。
一文读懂联邦学习的前世今生（建议收藏）
热门推荐
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
简单漫画读懂联邦学习
weixin_44351484的博客
12-15 561
漫画作者: Google AI (federated.withgoogle.com) 在今年的 I/O 大会上，我们公布了联盟学习 (Federated Learning)。为了帮助大家更好地理解这个技术，我们画了一套漫画给大家 * 安全聚合是一种用于计算带掩码的矢量 (比如模型里的权重) 之和的交互...
一文读懂：联邦学习和分布式学习的区别
zyjwjck的博客
03-15 507
分布式学习中，不同计算节点上的数据的划分通常是均匀、随机打乱的，它们具有独立同分布的特点，这样的特性非常适合设计高效的训练算法。但在联邦学习中，并不能简单假设数据是独立同分布的，由于计算节点中的数据数据是独立产生的，他们往往表现出不同的分布特征（非独立同分布）。计算节点上数据量级不同。然而在联邦学习的条件下，每个计算节点拥有的数据量与设备自身有关，很难保证不同计算节点拥有相近的数据量。分布式学习的中心服务器对计算节点以及其中的数据具有较高的控制权，计算节点完全受中心服务器的控制，接收来自中心服务器的指令。
读懂联邦学习中的安全与隐私问题（全）
cryptocxf的博客
09-06 2万+
该篇是2021年发表在《Future Generation Computer Systems》期刊上的一篇综述论文，主要介绍了联邦学习中可能面对的所有安全与隐私威胁问题，比较详细和具体的进行了综述，是篇还不错的文章，建议读原文。以下是个人的读书笔记，结合自己的理解，只截取部分关键或重要的部分。 先附上原文下载链接：查阅or下载 （长文警告，本篇大约1.8w个字，谨慎阅读！） 文章目录预览《A survey on security and privacy of federated learning》联邦学习的
【联邦学习】FedAvg代码结构解读
LeungSr的博客
10-24 1274
在这篇文章《联邦学习：FedAvg代码结构解读》中，我们将对项目文件夹的结构进行全面分析。文章主要介绍了各个文件之间的相互引用关系以及它们各自的作用，帮助读者建立对项目总体结构的清晰认识。值得注意的是，本文不深入探讨算法的具体实现，而是着重于提供一个高层次的概述，适合对联邦学习和FedAvg有兴趣的读者。通过这篇文章，您将更好地理解该项目的组成部分及其功能。
【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 3212
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。
​一文读懂联邦学习（附完整报告下载）
AI_Conf的博客
09-20 308
在过去的一年里，AI 世界已经进入一个以大模型引领的新的发展阶段。人们在惊叹大模型的强大能力的同时，也在担忧其训练数据来源合规性、数据使用的偏见性等安全风险隐患。同样，在行业监管环境越来越规范化、信息安全与隐私数据越来越受重视的背景下，联邦学习研究和应用趋势也逐渐迈向可信联邦学习。《联邦学习全球研究与应用趋势报告》是一个追踪联邦学习领域动态和进展的非营利性项目。2023年度报告是本系列第三期，旨在更新展示联邦学习科研成果与技术应用的最新动态。
【联邦学习新手必看！】手把手教你读懂FedAvg代码并实现运行
2501_93178798的博客
09-19 292
【联邦学习新手必看！】手把手教你读懂FedAvg代码并实现运行
隐私计算之联邦学习与联邦学习三要素
zyjwjck的博客
03-15 1324
有了底层的联邦协议的支持，就可以构建对应联邦算法来解决实际的问题了，从机器学习算法演化出的联邦学习算法，即以多个参与方组成联邦的方式，从多个参与方各自拥有的数据源，训练机器学习的模型，并使用模型进行应用的特定的机器学习算法。所以，这些模型的设计上，会引入特别的设计，尤其以跨特征的联邦学习为代表（一条数据的特征分别出自不同的参与方），并设计独特的数据加密、交换顺序，以完成模型的训练。对应的，在模型的应用阶段，也需要通过联邦平台取得各个联邦参与方的子模型返回（跨特征的模型），进而合并成最终的结果。
【AI学习-comfyUI学习-第二十三-法线贴图工作流-depth 结构+MiDaS 法线-各个部分学习】
qq_22146161的博客
12-25 1337
最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。不断学习摸索中。
做了一块可以调用百度云语音识别api和tts api的esp32 s3开发板，支持跑ai小智机器人的源码，基于idf5.5.1库编译，分享下
net3m33的专栏
12-25 820
做了一块可以调用百度云语音识别api和语音合成tts接口的esp32 s3开发板，支持跑ai小智机器人的源码，基于idf5.5.1库编译，分享
4神经网络框架
最新发布
2301_81531626的博客
12-27 922
本文系统介绍了神经网络的基本框架和发展过程。首先指出线性模型的局限性，说明其无法拟合复杂非线性关系。接着引入分段线性曲线和Sigmoid函数，通过参数调节实现曲线拟合。随后详细阐述了神经网络的构建过程：从单输入扩展到多特征输入，引入矩阵运算简化表达式，并说明激活函数的作用。最后介绍深度学习中ReLU激活函数的优势，其简单计算特性可有效组合成复杂曲线。全文通过数学公式和图示相结合，清晰展现了神经网络从线性模型到深度学习框架的演进逻辑。
第N11周：seq2seq翻译实战-Pytorch复现
m0_46260522的博客
12-26 636
5.2 注意力解码器（AttnDecoderRNN）7.2 训练迭代主循环。
Q-learning 算法 —— 无模型（model-free）强化学习
一杯水果茶！足矣~
12-25 1259
从已知模型到 Model-free 的强化学习转变：Q-Learning 算法，通过详细示例来讲解，理解 Q-table 的更新和贪婪策略
【AI学习-comfyUI学习-第二十五节-Shuffle洗牌模式布局+contronet其他应用结合-各个部分学习】
qq_22146161的博客
12-27 722
最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。不断学习摸索中。
2025国自然资助率12.29%创新低！2026年如何用数据与AI“破局”？
imbackneverdie的博客
12-25 947
这绝非简单的文字堆砌，它内在嵌入了对国自然申报规范的理解，能有效帮你规避常见的“方向偏离”“逻辑混乱”“格式错误”等基础问题，将你从繁琐的框架搭建中解放出来，专注于核心内容的精雕细琢。国自然2025年的资助率降至历史新低的12.29%，数万科研人员面对着更激烈的竞争与更严格的评审标准，对于2026年度的申报者而言，“高效准备，少走弯路”已不是口号，而是生存法则。它不仅告诉你“是什么”，更分析“为什么”和“怎么办”，直接为你的选题方向和立项论证提供坚实的数据支撑。模块，堪称科研人员的“选题外脑”。
企业级 RAG 问答系统开发上线流程分析
hello！
12-22 1545
这个项目流程是一个非常典型的。
联邦学习基础与应用探索
第五章列举了联邦学习的应用案例，包括在智慧金融中的信用评估、欺诈检测，智慧医疗中的疾病诊断和患者风险预测，以及构建“企业数据联盟”，促进企业间的数据合作而不侵犯隐私。 第六章展望了联邦学习的发展路径，...
评论
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

Wei_Cui_csdn

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