联邦学习相关文献

EXPANDING THE REACH OF FEDERATED LEARNING.pdf

联邦学习研究相关综述文章

联邦学习，随机梯度下降

联邦学习论文

梯度泄露

大数据驱动的人工智能对人类的生活有很大的帮助，但是存在着很多问题和难点。本书主要讲解了联邦学习的一些基础的东西，包括他的背景，概念，定义，分类，还有一些实例。

转自CCF，网址：https://dl.ccf.org.cn/lecture/lectureDetail?id=4841322416883712 摘要：联邦学习通过将机器学习的计算分散到参与各方的数据库上进行加密的分布式计算，从而可以在不影响数据安全或用户隐私的情形下破解数据孤岛壁垒、实现数据共享。在现实的设计中，数据联邦需要提供足够的经济激励以保证联邦的参与者有激励一直保持参与。因此我们提出联邦学习的机制设计这个问题，来探讨数据联邦应该采取的最优组织和奖励结构。我们首先将提出一个研究联邦学习的奖励机制设计的基本框架，包括核心概念以及它们对应的在联邦学习环境下的数学定义。其次，我们将对联邦学习的奖励机制设计问题按照机制的设定和性质进行分类。最后，我们会给出一些基准定理，帮助联邦学习的从业者在不深入了解博弈论的情形下就能按照他们的最优化目标以及现实场景，选择不同种类的奖励机制。

Advances and Open Problems in Federated Learning。Federated learning (FL) is a machine learning setting where many clients (e.g. mobile devices or whole organizations) collaboratively train a model under the orchestration of a central server (e.g. service provider), while keeping the training data decentralized. FL embodies the principles of focused data collection and minimization, and can mitigate many of the systemic privacy risks and costs resulting from traditional, centralized machine learning and data science approaches. Motivated by the explosive growth in FL research, this paper discusses recent advances and presents an extensive collection of open problems and challenges.

20210409-中泰国际-联邦制药-3933.HK-胰岛素业务引领公司成功转型高端专科药生产商.pdf