May, 2022

联邦学习：应用、挑战和未来方向

PDF
TL;DR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。
federated learningmulti-party computationdeep learningprivacy protectionhealthcare
发现论文，激发创造
  • 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

  • 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

  • 联邦学习：最新进展与应用的前沿综述

    在机器学习系统中，通过联邦学习作为一个安全的分布式机器学习方法，有效提升隐私安全；它利用区块链技术将机器学习模型转移到边缘服务器，通过这种机制保证了集中式和分散式系统的高效处理和数据存储需求，强调可伸缩性、隐私考虑和成本有效的通信。本文对最近的联邦学习应用进行了分析和比较，以评估其效率、准确性和隐私保护。然而，鉴于联邦学习复杂且不断演化的特点，明确需要进一步研究来解决知识间的差距并有效应对该领域面临的挑战。在本文中，我们将最近的文献分为以下几个类别：隐私保护、资源分配、案例研究分析和应用，此外，在每个章节的末尾，我们还对参考文献中提出的开放领域和未来方向进行了总结，为研究人员提供了领域演进的深入视角。

    Oct, 2023

  • 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：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

  • 联邦迁移学习综述：挑战、方法与应用

    联邦学习（FL）是一种新颖的分布式机器学习范式，通过消除数据共享要求，使参与者能够协同训练中央模型并保护隐私。联邦学习涉及多个参与者，并要求第三方汇总全局信息以指导目标参与者的更新。为解决此问题，联邦迁移学习（FTL）吸引了众多研究者的关注。本综述聚焦于对当前联邦迁移学习进展的分类和综述，并概述相关解决方案和应用。

    Mar, 2024

  • 联邦学习的安全与隐私问题

    分布式学习中的联邦学习存在安全和隐私挑战，本研究针对各类机器学习模型，包括大型语言模型，提出了安全和隐私挑战的综合分类，重点关注聚合器和参与者的攻击，包括投毒攻击、后门攻击、成员推断攻击、生成对抗网络攻击和差分隐私攻击，同时提出了未来研究的新方向，旨在强化联邦学习系统以应对新兴安全风险并保护分布式学习环境中的敏感数据隐私。

    Jul, 2023

  • 联邦学习的挑战与机遇：展望

    该研究论文展望了联邦学习的发展，并阐述了五个与算法基础、个性化、硬件和安全限制、终身学习以及非标准化数据相关的方向。该研究可为边缘设备的大规模联邦系统提供实用观察。

    Feb, 2022

  • 医疗中的联邦学习：模型不端、安全挑战、应用及未来研究方向 -- 系统综述

    通过分析医疗保健领域中已经存在的研究文献，本研究系统评估了联邦学习在提供隐私保护的同时维护医疗数据分析的完整性和可用性方面的效力，同时探讨了实际应用及其影响，突出未来的研究方向，旨在完善联邦学习的实现、增强数据安全协议，并将联邦学习拓展到更广泛的医疗应用领域，为未来的研究人员和实践者提供帮助。

    May, 2024

  • 计算机视觉的联邦学习

    该论文综述了联邦学习在计算机视觉应用中的最新进展，比较了联邦学习和传统集中式训练方法，提出了一个联邦学习在计算机视觉中的技术分类和应用安全威胁的分类，讨论了实施区块链在计算机视觉中的隐私关注，并总结了现有的隐私保护方法，同时指出了未来的研究方向。

    Aug, 2023