SoK：应用联邦机器学习的现状评估
机器学习
2023-08-07 v1 人工智能
密码学与安全
分布式、并行与集群计算
摘要
机器学习（ML）在各种应用中展现出显著潜力；然而，由于数据隐私方面的担忧，其在隐私关键领域的采用受到限制。一个有前景的解决方案是联邦机器学习（FedML），这是一种优先考虑数据隐私的模型到数据方法。通过使ML算法能够直接应用于分布式数据源而无需共享原始数据，FedML提供了增强的隐私保护，使其适用于隐私关键环境。尽管具有理论上的优势，FedML尚未得到广泛的实践部署。本研究旨在探讨应用FedML的现状，并识别阻碍其实际采用所面临的挑战。通过全面的系统性文献综述，我们评估了74篇相关论文以分析FedML在现实世界中的适用性。我们的分析聚焦于FedML实现的特征与新兴趋势，以及其动机驱动因素与应用领域。我们还讨论了将FedML集成到真实场景中所遇到的挑战。通过阐明现有格局与潜在障碍，本研究有助于在隐私关键场景中进一步开发与实施FedML。
引用
@article{arxiv.2308.02454,
title = {SoK: Assessing the State of Applied Federated Machine Learning},
author = {Tobias Müller and Maximilian Stäbler and Hugo Gascón and Frank Köster and Florian Matthes},
journal= {arXiv preprint arXiv:2308.02454},
year = {2023}
}
备注
9 pages, 6 figures, 3 tables