Advances and Open Problems in Federated Learning

Federated Machine Learning: Concept and Applications

联邦学习综述论文简单总结（免费）。如何允许多个数据所有者协作培训和使用共享的预测模型，同时保持所有本地培训数据的私密性?传统的机器学习方法需要将所有数据集中在一个位置，通常是一个数据中心，这很可能违反了用户隐私和数据保密性方面的法律。目前，世界上许多地方要求科技公司根据用户隐私法仔细对待用户数据。

随着云计算和大数据技术的不断发展，无论是机构还是个人，每天都会源源不断地 产生大量数据；与此同时，随着人工智能技术（Artificial Intelligence，AI）和数据处 理能力的提升，不断产生的海量数据能够被实时地进行计算、分析与挖掘。理论上，大 数据与人工智能技术的完美结合，能够充分挖掘和释放数据的价值。然而，现实中，由 于数据中包含大量个人隐私、商业机密等，数据隐私安全的问题也广泛受到世界各国重视。

联邦学习的一些社会功能，论文形式

包含联邦多任务学习，FedProx，FedMD，具有个性化层的联邦学习，联邦迁移学习。

联邦学习 Federated Learning Everything about federated learning. Your contribution is highly valued! 关于联邦学习的资料，包括：介绍、综述文章、最新文章、代表工作及其代码、数据集、论文等等。 欢迎一起贡献！ 目录 1. 教程 Tutorial 文字 PPT (AAAI-19) (AAAI-19) 视频 GDPR, Data Shortage and AI (AAAI-19 Invited Talk) 新闻 2019/02/09 谷歌发布全球首个产品级移动端分布式机器学习系统，数千万手机同步训练 2. 相关论文 Related Papers 综述与介绍 Survey And Introduction arXiv 201912 - Advances and Open Problems in Fede

微众银行在联邦学习方面的研究及应用 ， 联邦学习的研究和应用成果， 对了解和 学习 联邦学习具有一定价值

近年来，人工智能技术已被应用于无线通信领域，以解决传统无线通信技术面对信息爆炸和万物互联等新发展趋势所遇到的瓶颈问题。首先介绍深度学习、深度强化学习和联邦学习三类具有代表性的人工智能技术；然后通过对这三类技术在无线通信中的无线传输、频谱管理、资源配置、网络接入、网络及系统优化5个方面的应用进行综述，分析和总结它们在解决无线通信问题时的原理、适用性、设计方法和优缺点；最后围绕存在的局限性指出智能无线通信技术的未来发展趋势和研究方向，期望为无线通信领域的后续研究提供帮助和参考。

python+pytorch实现的联邦学习代码。 联邦机器学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。联邦学习作为分布式的机器学习范式,可以有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛,实现AI协作。