联邦学习的最新进展：系统性综述
机器学习
2023-01-05 v1
摘要
联邦学习已成为在不同方之间实现隐私保护协作学习的有效范式。与需要收集各方数据的传统集中式学习相比，在联邦学习中，仅交换本地训练的模型或计算的梯度，而不暴露任何数据信息。因此，它能够在某种程度上保护隐私。近年来，联邦学习变得越来越普遍，并且已有许多综述总结这一热门研究主题的相关方法。然而，它们大多聚焦于特定视角或缺乏最新研究进展。在本文中，我们提供关于联邦学习的系统性综述，旨在从不同方面回顾近期先进的联邦方法和应用。具体而言，本文包含四大主要贡献。首先，我们根据联邦场景中的流程和挑战提出联邦学习的新分类法。其次，我们将联邦学习方法归纳为若干类别，并简要介绍这些类别下的最先进方法。第三，我们概述一些流行的联邦学习框架并介绍其特性。最后，讨论了当前方法的一些潜在缺陷和若干未来方向。
引用
@article{arxiv.2301.01299,
title = {Recent Advances on Federated Learning: A Systematic Survey},
author = {Bingyan Liu and Nuoyan Lv and Yuanchun Guo and Yawen Li},
journal= {arXiv preprint arXiv:2301.01299},
year = {2023}
}