联邦迁移学习：概念与应用
机器学习
2021-03-09 v3 密码学与安全
摘要
人工智能（AI）的发展本质上与数据的发展紧密相连。然而，在大多数行业中，数据以孤立孤岛的形式存在，不同组织之间的共享范围有限。这阻碍了AI的进一步发展。近年来，联邦学习作为一种可能的解决方案而出现，且不会损害用户隐私。在联邦学习的不同变体中，值得关注的是联邦迁移学习（FTL），它允许在特征和用户重叠较少的域之间转移知识。在这项工作中，我们对关于该主题的现有工作进行了全面综述。更具体地，我们研究了FTL的背景及其不同的现有应用。我们进一步从隐私和机器学习的角度对FTL进行了分析。
引用
@article{arxiv.2010.15561,
title = {Federated Transfer Learning: concept and applications},
author = {Sudipan Saha and Tahir Ahmad},
journal= {arXiv preprint arXiv:2010.15561},
year = {2021}
}