联邦学习系统综述：数据隐私与保护下的愿景、炒作与现实
机器学习
2021-12-07 v7 密码学与安全
数据库
机器学习
摘要
联邦学习在隐私限制下支持不同机构间机器学习模型的协同训练，一直是一个热门研究课题。随着研究者尝试以不同的隐私保护方法支持更多机器学习模型，亟需开发系统与基础设施以简化各类联邦学习算法的研发。类似于推动深度学习发展的 PyTorch 与 TensorFlow 等深度学习系统，联邦学习系统（FLSs）同等重要，并面临来自有效性、效率与隐私等多方面的挑战。本综述对联邦学习系统进行了全面回顾。为实现顺畅梳理并指导未来研究，我们给出了联邦学习系统的定义并分析其系统组件。此外，我们根据数据分布、机器学习模型、隐私机制、通信架构、联邦规模与联邦动机六个不同方面对联邦学习系统进行了细致分类。如我们的案例研究所示，该分类有助于联邦学习系统的设计。通过系统总结现有联邦学习系统，我们给出了设计要素、案例研究与未来研究机遇。
引用
@article{arxiv.1907.09693,
title = {A Survey on Federated Learning Systems: Vision, Hype and Reality for Data Privacy and Protection},
author = {Qinbin Li and Zeyi Wen and Zhaomin Wu and Sixu Hu and Naibo Wang and Yuan Li and Xu Liu and Bingsheng He},
journal= {arXiv preprint arXiv:1907.09693},
year = {2021}
}
备注
Accepted to IEEE Transactions on Knowledge and Data Engineering (TKDE)