联邦学习中的隐私研究
当今的AI仍然面临两个主要挑战： 一是在大多数行业中，数据以孤立的孤岛形式存在。 另一个是加强数据隐私和安全性。 我们为这些挑战提出了一种可能的解决方案：安全的联邦学习。 联邦学习是一种新兴的机器学习方案。与传统的集中式机器学习不同，联邦学习通过将训练任务下放到用户侧，仅将训练 ...
原文：联邦学习论文研究（基于卷积神经网络的联邦学习算法研究）
联邦学习综述 三大研究方向：联邦优化算法 通信开销和隐私保护。 联邦优化算法：非独立同分布且不平衡的隐私性数据，数据集分布在不同的客户端上且不可以直接获取，客户端本身特征导致数据非独立同分布性。客户数量的分布，在联邦优化算法中可能需要面对成千上百的客户端参与。 通信效率：在实际的场景应用中，客户端往往会受到通信带宽以及能量资源等的限制。这种场景中，联邦学习算法设计应该考虑到在有效的带宽资源下实现 ...
2021-10-28 11:46 0 1923 推荐指数：
相关推荐
联邦学习论文研究（FedBoost: Communication-Efficient Algorithms for Federated Learning）
主要内容： 不同于梯度压缩和模型压缩，FedBoost集成学习算法，能够降低服务器到客户端 和客户端到服务器的通信成本，提高通信效率。 集成学习：集成学习(ensemble learning)原理详解_春华秋实-CSDN博客_集成学习 主要优点： 1. ...
联邦学习论文研究（FedML: A Research Library and Benchmark for Federated Machine Learning）
主要内容： 该篇论文提出了一个联邦学习框架——FedML，该框架支持三种计算范式： on-device training for edge devices distributed computing single-machine simulation 强调联邦 ...
卷积神经网络学习
Part 1 视频学习心得及问题总结 通过对视频的学习，了解了卷积神经网络整体的内容和一些思想，卷积神经网络主要包括卷积，池化，激活函数，损失函数等部分，通过不同的卷积核对数据进行不同的提取，池化对提取的数据进行收缩，减小数据的规模，可能是之前的视频学习没看明白，不太理解激活的函数的作用 ...
联邦学习
视频：链接 介绍 联邦学习是一种不需要收集各数据拥有方所有的数据，便能协作地训练一个模型的机器学习过程 旨在建立一个基于分散数据集的联邦机器学习模型。在模型训练过程中，隐私数据不离开本地，各方仅交换模型相关的信息或加密的数据，已训练好的联邦学习模型可以置于联邦学习系统的各参与方，也可以在多方 ...
联邦学习
联邦学习（Federated Learning） from： https://blog.csdn.net/cao812755156/article/details/89598410 联邦学习 ...
联邦学习之纵向联邦学习
...
联邦学习中的优化算法
1 导引 联邦学习做为一种特殊的分布式机器学习，仍然面临着分布式机器学习中存在的问题，那就是设计分布式的优化算法。 以分布式机器学习中常采用的client-server架构（同步）为例，我们常常会将各client节点计算好的局部梯度收集到server节点进行求和，然后再根据这个总梯度进行权重 ...