化工领域的联邦学习：基于分布式数据源的隐私保护协作框架教程
机器学习
2025-02-13 v2 分布式、并行与集群计算
神经与进化计算
摘要
联邦学习 (FL) 是一种去中心化的机器学习方法，因其在保护数据隐私的前提下实现跨客户端协作模型训练的潜力而受到关注，成为化工行业的吸引力解决方案。本工作旨为化工工程社区提供易于理解的介绍。配合 hands-on 教程和详实的示例集合，探讨了 FL 在制造优化、多模态数据集成和药物发现等任务中的应用，同时解决保护专有信息和管理分布式数据集的独特挑战。该教程使用关键框架如 和 构建，旨为化工工程师提供必要工具以满足其具体需求。我们比较了 FL 与集中式学习在化工应用相关的三个不同数据集上的性能，结果表明 FL 在复杂且异构数据上通常能保持或提升分类性能。我们对联邦学习面临的开放挑战以及当前为其提供改进方案的方法作了展望。
引用
@article{arxiv.2411.16737,
title = {Federated Learning in Chemical Engineering: A Tutorial on a Framework for Privacy-Preserving Collaboration Across Distributed Data Sources},
author = {Siddhant Dutta and Iago Leal de Freitas and Pedro Maciel Xavier and Claudio Miceli de Farias and David Esteban Bernal Neira},
journal= {arXiv preprint arXiv:2411.16737},
year = {2025}
}
备注
53 Pages, 8 figures, Under review in ACS Industrial & Engineering Chemistry Research Journal