联邦学习——方法、应用及展望
机器学习
2022-12-23 v1 机器学习
摘要
近年来，由于可用数据量大增和技术进步，机器学习模型的应用迅速增加。虽然网络分析等一些领域仅受轻微限制即可受益，但医学中涉及患者数据等其他领域受到更严格的监管。特别是数据隐私起着重要作用，正如欧盟可信 AI 倡议或立法中一般隐私法规近来所强调的。另一个主要挑战是，所需的训练数据往往在特征或样本方面是分布式且不可用于经典批量学习方法的。2016 年谷歌提出了一种称为联邦学习的框架以解决这两个问题。我们简要概述纵向与横向联邦学习以及联邦迁移学习领域的现有方法与应用。
引用
@article{arxiv.2212.11729,
title = {Federated Learning -- Methods, Applications and beyond},
author = {Moritz Heusinger and Christoph Raab and Fabrice Rossi and Frank-Michael Schleif},
journal= {arXiv preprint arXiv:2212.11729},
year = {2022}
}