FLHub: 一种联邦学习模型分享服务

Feb, 2022

FLHub: a Federated Learning model sharing service

Hyunsu Mun, Youngseok Lee

TL;DR本研究提出了一个名为 Federated Learning Hub（FLHub）的联邦学习模型共享服务，用户可以上传、下载、贡献由其他开发者开发的模型，类似于 GitHub。我们证明，分叉的模型比现有模型更快地完成了训练，并且每个联邦循环的学习速度更快。

Abstract

As easy-to-use deep learning libraries such as Tensorflow and Pytorch are popular, it has become convenient to develop machine learning models. Due to privacy issues with centralized machine learning, recently, federate

federated learning privacy distributed computing flhub model sharing

发现论文，激发创造

联邦学习：应用、挑战和未来方向

本文提供了关于联邦学习的概述，并重点关注医疗保健领域。通过中央协调器服务器共享全局深度学习模型，解决了隐私保护需求并探讨了联邦学习遇到的挑战和未来发展方向，其中使用多方计算、同态加密、差分隐私和随机梯度下降等多种隐私方法。

May, 2022

联邦学习：机遇与挑战

介绍谷歌于 2016 年首次提出的联邦学习，多个设备在中央服务器的监督下协作学习机器学习模型，可保证本地数据的隐私性和安全性，同时存在攻击风险，就此探讨了联邦学习的机会和挑战所在。

Jan, 2021

IBM 联邦学习：企业框架白皮书 V0.1

IBM Federated Learning 提供了联邦学习的基础设施和协调，可以设计和运行联邦学习作业，从而将范围从集中式扩展到联邦机器学习，从而在最初阶段将学习曲线降至最低，同时也提供了在不同计算环境下部署和设计自定义融合算法的灵活性。

Jul, 2020

关于分散式联邦学习的调查

去中心化联邦学习解决方案的综述，包括现有的方法和未来的研究方向。

Aug, 2023

联邦学习的进展：模型、方法和隐私

本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

Feb, 2023

混合联邦与集中式学习

提出一种混合联邦和集中式学习（HFCL）框架，采用先进的数据传输方法并在计算资源不足时使用集中式学习方法，以有效地训练学习模型，并在所有客户端合作的同时提高学习准确度。

Nov, 2020

联邦与集中式学习的混合架构

本文提出了一种更高效的混合联邦与集中学习（HFCL）方法来解决客户端计算资源不足的情况，该方法可以将数据集分别发送给有足够计算资源的客户端和参数服务器，从而在减少通信开销和提高学习准确率方面都具有更好的性能表现。

May, 2021

联邦学习的进展和开放问题

本文讨论联邦学习的最新进展和挑战，并提出了一系列开放性问题和挑战。

Dec, 2019

分层和分散的联邦学习

分层联邦学习是一种扩展传统联邦学习过程以实现更高效的模型聚合的方法，可用于智能农业和智能能源管理等应用中，以提高性能并降低成本。

Apr, 2023

DLHub：面向科研的模型和数据服务

介绍了 Data and Learning Hub for science (DLHub)，它是一个多租户系统，具有模型库和服务功能，并专注于科学应用，这解决了当前系统中的一些局限性。DLHub 使用户能够共享、发布、验证、重现和重用模型，并通过简单的 Web 接口使用可扩展和低延迟的服务能力，以提高模型可用性和可访问性。

Nov, 2018