联邦学习在制造业中的应用
机器学习
2024-08-16 v2
摘要
每分钟都会产生大量数据，无论是在私营部门还是工业界。尽管在私人娱乐领域获取数据往往很容易，但在工业生产环境中，由于法律、知识产权保护以及其他因素，获取数据要困难得多。然而，大多数机器学习方法都需要数量和质量上均充足的数据源。将这两方面要求结合起来的一种合适方式是联邦学习，其中学习进展被聚合，但各方仍是其数据的所有者。联邦学习由Google研究人员于2016年首次提出，并用于例如改进Google的键盘Gboard。与数十亿Android用户相比，可比较的机器仅被少数公司使用。本文考察生产环境中还存在哪些其他约束，以及由此可考虑哪些联邦学习方法。
引用
@article{arxiv.2208.04664,
title = {Application of federated learning in manufacturing},
author = {Vinit Hegiste and Tatjana Legler and Martin Ruskowski},
journal= {arXiv preprint arXiv:2208.04664},
year = {2024}
}
备注
8 pages, 15 figures, Submitted at IEEE conference I4Tech2022