跨孤岛联邦学习：挑战与机遇
机器学习
2022-06-28 v1 人工智能
计算机科学与博弈论
摘要
联邦学习（FL）是一项新兴技术，能够在保持数据分布式与私密的前提下，从多个客户端训练机器学习模型。基于参与客户端与模型训练规模，联邦学习可分为两类：跨设备FL，其客户端通常为移动设备且客户端数量可达百万级；跨孤岛FL，其客户端为组织或公司且客户端数量通常较少（如百以内）。现有研究主要关注跨设备FL，本文旨在提供跨孤岛FL的概览。更具体地，我们首先讨论跨孤岛FL的应用并概述其主要挑战。随后，通过聚焦其与跨设备FL的联系与差异，对跨孤岛FL中针对这些挑战的现有方法给出系统性概览。最后，我们讨论值得学界投入研究力量的未来方向与开放问题。
引用
@article{arxiv.2206.12949,
title = {Cross-Silo Federated Learning: Challenges and Opportunities},
author = {Chao Huang and Jianwei Huang and Xin Liu},
journal= {arXiv preprint arXiv:2206.12949},
year = {2022}
}