食品研究中的联邦学习
机器学习
2025-08-12 v1
摘要
食品领域的研究有时会因数据共享障碍（如数据所有权、隐私要求和法规）而受到限制。尽管这些障碍很重要，但它们会限制诸如机器学习之类的数据驱动方法。联邦学习是一种在本地保存数据上训练模型、仅共享学习到的参数的方法，是一种缓解数据共享障碍的潜在技术。本系统综述调查了联邦学习在食品领域内的使用情况，将纳入的论文构建在一个联邦学习框架中，突出了知识空白，并讨论了潜在的应用。综述共纳入41篇论文。当前的应用包括水和牛奶质量评估、水处理网络安全、农药残留风险分析、杂草检测和欺诈检测的解决方案，侧重于集中式横向联邦学习。发现的空白之一是缺乏纵向或迁移联邦学习以及去中心化架构。
引用
@article{arxiv.2406.06202,
title = {Federated learning in food research},
author = {Zuzanna Fendor and Bas H. M. van der Velden and Xinxin Wang and Andrea Jr. Carnoli and Osman Mutlu and Ali Hürriyetoğlu},
journal= {arXiv preprint arXiv:2406.06202},
year = {2025}
}