通信技术和医疗物联网的最新进展改变了由人工智能(AI)实现的智能医疗。传统上，人工智能技术需要集中的数据收集和处理，但由于现代医疗网络的高度可扩展性和日益增长的数据隐私问题，这在现实的医疗场景中可能不可行。联邦学习(FL)是一种新兴的分布式协同人工智能范式，通过协调多个客户(如医院)在不共享原始数据的情况下进行人工智能训练，对智能医疗保健特别有吸引力。

联邦学习Advances and Open Problems in Federated Learning，谷歌最新力作，分析了联邦学习最新研究热点和未来的方向

隐私计算产品评估体系 综述

联邦学习(FL)是一种机器学习设置，许多客户(例如移动设备或整个组织)在保持数据分散的同时协同训练一个模型。

新加坡南洋理工大学-于涵-联邦学习中的博弈论，联邦学习在数据挖掘中具有重要优势，PPT介绍了联邦学习的应用

适合联邦学习汇报使用

清华大学2021最新联邦学习全球趋势报告

Federated Learning 人工智能（Artificial Intelligence, AI）进入以深度学习为主导的大数据时代，基于大数据的机器学习既推动了AI的蓬勃发展，也带来了一系列安全隐患。这些隐患来源于深度学习本身的学习机制，无论是在它的模型建造（训练）阶段，还是在模型推理和使用阶段。这些安全隐患如果被有意或无意地滥用，后果将十分严重。 联邦学习是一种 隐私保护、数据本地存储与计算 的机器学习算法。 文献参考 Part 1: Introduction Part 2: Survey Federated Machine Learning: Concept and Applications Threats to Federated Learning: A Survey Survey of Personalization Techniques for Federated Lear

浅谈联邦学习场景中的数据去标识化.pdf

联邦学习（Federated Learning）分类及架构设计1、联邦学习起源2、联邦学习定义3、联邦学习的隐私保护机制4、联邦学习分类4.1 水平/横向联邦学习（Horizontal Federated Learning）4.2 垂直/纵向联邦学习（Vertical Federated Learning）4.3 联邦迁移学习（ Federated Transfer Learning）5、联邦学习系统架构5.1 水平联邦学习系统架构5.2 垂直联邦学习系统架构5.3 联邦迁移学习系统架构5.4 联邦学习激励机制6、联邦学习的应用 (声明：本文参考论文“Federated Machine Lea