联邦学习论文
2021-04-24 09:00:10 502KB 联邦学习 差分隐私
1
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。
2021-04-20 15:22:34 1021KB 联邦学习
1
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。
2021-04-16 11:23:32 984KB 联邦学习 奖励机制
1
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.
2021-04-14 14:56:29 1.39MB 联邦学习
1
联邦学习国际标准-OpenMPC:IEEE Guide for Architectural Framework and Application of Federated Machine Learning
2021-04-09 11:07:27 10.25MB 联邦学习
1
数据孤岛以及模型训练和应用过程中的隐私泄露是当下阻碍人工智能技术发展的主要难题。联邦学习作为一种高效的隐私保护手段应运而生。联邦学习是一种分布式的机器学习方法,以在不直接获取数据源的基础上,通过参与方的本地训练与参数传递,训练出一个无损的学习模型。
2021-04-07 19:58:19 1.71MB 联邦学习
1
最近来自斯坦福、CMU、Google等25家机构58位学者共同发表了关于联邦学习最新进展与开放问题的综述论文《Advances and Open Problems in Federated Learning》,共105页pdf调研了438篇文献,讲解了最新联邦学习进展,并提出大量开放型问题。
2021-04-07 14:33:31 893KB Federated_Learni
1
如何在满足数据隐私、安全和监管要求的前提下,设计一个机器学习框架,让人工智能 系统能够更加高效、准确的共同使用各自的数据,是当前人工智能发展的一个重要课题。我们倡议把研究的重点转移到如何解决数据孤岛的问题。我们提出一个满足隐私保护和数据安 全的一个可行的解决方案,叫做联邦学习
2021-03-15 22:47:11 1.03MB 联邦学习
1
联邦学习介绍(ppt)
2021-03-10 22:00:44 1.03MB 联邦学习
1