相关内容简体繁体

联邦学习（Federated learning）

本文转载自查看原文 2020-03-12 15:27 1448

1.communication-efficient algorithms

parallel gradient descent

Federated Averaging Algorithm

比较

（epoch相当于计算量）
结论：FedAvg减少了通信量，增加了计算量

2.defense against privacy leakage

用梯度可以反推数据信息

加噪音之后，收敛速度和准确度会下降
工业界可能不允许

3.adversial robustness

叛徒可能会发错误节点和信息发送服务器

作者上传的课件：链接：https://pan.baidu.com/s/14QoIu4h6skC-11xL9wcOxg
提取码：zb26

免责声明！

本站转载的文章为个人学习借鉴使用，本站对版权不负任何法律责任。如果侵犯了您的隐私权益，请联系本站邮箱yoyou2525@163.com删除。

猜您在找 【论文解读】Federated Learning of Deep Networks using Model Averaging 模型平均下的深度网络联邦学习联邦学习论文研究（FedML: A Research Library and Benchmark for Federated Machine Learning） Federated Machine Learning: Concept and Applications Federated Learning: Challenges, Methods, and Future Directions 联邦学习综述联邦学习框架——Fedlearner 联邦学习综述（二）联邦学习的安全机制 Overcoming Forgetting in Federated Learning on Non-IID Data 联邦学习：多任务思想与聚类联邦学习

粤ICP备18138465号 © 2018-2025 CODEPRJ.COM