面向大数据的高效学习：机遇、应用与未来方向综述

近年来，数据生成已攀升至庞大维度，大数据成为推动各类机器学习进展与物联网(IoT)设备发展的力量。就此而言，将来自多源的数据传输至中心云进行处理、训练与存储的分析与学习工具，使大数据的潜力得以实现。然而，由于数据可能包含银行账户信息、政府信息与个人信息等敏感内容，这些传统技术常引发严重的隐私担忧。为克服此类挑战，联邦学习(FL)作为机器学习的一个子领域应运而生，其关注多个实体（通常称为客户端）协同训练模型同时保持数据去中心化的场景。尽管已有大量研究投入，文献中仍存在空白：大数据服务领域中FL的广泛综述尚待探索。本文因而强调FL在处理大数据及相关服务中的使用，涵盖FL在大数据获取、存储、大数据分析及进一步隐私保护方面潜力的全面综述。随后，也探讨了FL在智慧城市、智慧医疗、智能交通、智能电网与社交媒体等大数据应用中的潜力。本文还重点介绍了与FL-大数据相关的各类项目，并讨论了此类实现所面临的挑战。这为进一步研究指明方向，鼓励开发可行的解决方案。