相關內容簡體繁體

聯邦學習（Federated learning）

本文轉載自查看原文 2020-03-12 15:27 1448

1.communication-efficient algorithms

parallel gradient descent

Federated Averaging Algorithm

比較

（epoch相當於計算量）
結論：FedAvg減少了通信量，增加了計算量

2.defense against privacy leakage

用梯度可以反推數據信息

加噪音之后，收斂速度和准確度會下降
工業界可能不允許

3.adversial robustness

叛徒可能會發錯誤節點和信息發送服務器

作者上傳的課件：鏈接：https://pan.baidu.com/s/14QoIu4h6skC-11xL9wcOxg
提取碼：zb26

免責聲明！

本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。

猜您在找 聯邦學習（Federated Learning）聯邦學習（Federated Learning）聯邦學習（Federated Learning）詳解以及示例代碼聯邦學習 Federated Learning 相關資料整理聯邦學習論文研究（FedBoost: Communication-Efficient Algorithms for Federated Learning）【論文解讀】Federated Learning of Deep Networks using Model Averaging 模型平均下的深度網絡聯邦學習聯邦學習論文研究（FedML: A Research Library and Benchmark for Federated Machine Learning） Federal Learning（聯邦學習）認知 Federated Learning with Matched Averaging 初識 Federated Learning

粵ICP備18138465號 © 2018-2025 CODEPRJ.COM