探索联邦学习的机器学习模型：方法、性能与局限综述
机器学习
2023-11-21 v1 人工智能
摘要
在人工智能日益发展的世界中，联邦学习是一种为保护个人数据隐私而增强的分布式学习框架。联邦学习为数据敏感领域的协作研究奠定基础，对现实问题具有若干意义。在危机时期，当实时决策至关重要时，联邦学习允许多个实体在不共享敏感数据的情况下协同工作。这种分布式方法使我们能够利用多源信息并获得更多样化的洞察。本文基于首选系统评价与荟萃分析报告条目(PRISMA)指南，对近年来关于隐私保护机器学习的文献进行系统综述。具体地，我们广泛综述了联邦学习框架中使用的有监督/无监督机器学习算法、集成方法、元启发式方法、区块链技术与强化学习，并概述了联邦学习的应用。本文综述了近年来联邦学习组成部分及其应用的文献，主要目的是从机器学习视角为研究者和从业者提供联邦学习的全面概览，并讨论了联邦学习中的一些开放问题与未来研究方向。
引用
@article{arxiv.2311.10832,
title = {Exploring Machine Learning Models for Federated Learning: A Review of Approaches, Performance, and Limitations},
author = {Elaheh Jafarigol and Theodore Trafalis and Talayeh Razzaghi and Mona Zamankhani},
journal= {arXiv preprint arXiv:2311.10832},
year = {2023}
}