IBM 联邦学习：企业级框架白皮书 V0.1
机器学习
2020-07-23 v1 密码学与安全
分布式、并行与集群计算
摘要
联邦学习（FL）是一种在不将训练数据集中至单一地点的前提下开展机器学习的方法，缘由涉及隐私、机密性或数据量。然而，解决联邦机器学习问题所引发的议题超出了集中式机器学习的范畴。这些议题包括建立各方间通信基础设施、协调学习过程、整合各方结果、理解不同参与方训练数据集的特征、处理数据异构性，以及在缺乏验证数据集的情况下运行。IBM 联邦学习为联邦学习提供基础设施与协调。数据科学家可基于已有的集中式机器学习模型设计并运行联邦学习作业，并可就如何运行联邦提供高层指令。该框架适用于深度神经网络以及最常用机器学习库的“传统”方法。本项目使数据科学家能将视野从集中式拓展至联邦机器学习，在起步阶段最小化学习曲线的同时，亦提供部署至不同计算环境与设计自定义融合算法的灵活性。
引用
@article{arxiv.2007.10987,
title = {IBM Federated Learning: an Enterprise Framework White Paper V0.1},
author = {Heiko Ludwig and Nathalie Baracaldo and Gegi Thomas and Yi Zhou and Ali Anwar and Shashank Rajamoni and Yuya Ong and Jayaram Radhakrishnan and Ashish Verma and Mathieu Sinn and Mark Purcell and Ambrish Rawat and Tran Minh and Naoise Holohan and Supriyo Chakraborty and Shalisha Whitherspoon and Dean Steuer and Laura Wynter and Hifaz Hassan and Sean Laguna and Mikhail Yurochkin and Mayank Agarwal and Ebube Chuba and Annie Abay},
journal= {arXiv preprint arXiv:2007.10987},
year = {2020}
}
备注
17 pages