Apr, 2023

解锁协作 AI 潜力：论联邦机器学习的社会技术挑战

PDF
TL;DR以可分散、潜在隔离的数据实现人工智能模型的创建与有共同数据管理的开放，被称为联合机器学习。本研究通过文献综述、重点讨论和专家访谈提供一种系统的社会技术方面的挑战以及一个扩展的商业模式画布（Business Model Canvas），以协同 AI 项目的初步可行性评估。
发现论文，激发创造
  • CommunityAI：面向基于社区的联邦学习

    我们提出了一种名为 CommunityAI 的用于基于社区的联邦学习的新框架，通过共享兴趣、专业知识或数据特征来组织参与者，并在各自的群组中维护数据和参与者的隐私，从而使参与者能够共同贡献于训练和完善学习模型的过程中。

    Nov, 2023

  • 联邦机器学习：概念与应用

    本文提出，为了解决 AI 面临的数据孤岛和数据隐私安全的问题，可以通过构建安全联邦学习架构，包括水平联邦学习、垂直联邦学习和联邦迁移学习方案，并通过使用联邦机制构建数据网络，以允许在不损害用户隐私的情况下共享知识。

    Feb, 2019

  • 联邦学习：挑战、方法和未来方向

    本文介绍联邦学习的独特特征和挑战，提供当前方法的概述，并概述了与各种研究社区相关的几个未来方向。

    Aug, 2019

  • 联邦学习用于联合行动

    本文探讨了联邦学习在联盟环境中的挑战，提出了针对数据和模型质量变化、异构性、标签以及不同联盟成员对 AI 模型架构的选择等问题的解决方案。同时，文章也强调了联邦学习在实现联盟环境中可行的解决方案方面仍存在的一些开放性问题。

    Oct, 2019

  • 基于协调数据孤岛的联邦学习

    本文提出了一个面向端到端联合机器学习和数据集成的体系结构愿景，为数据管理信息系统和机器学习交叉研究带来重要启示，以解决不同站点之间存在的数据集成和数据格式一致性问题。

    May, 2023

  • 朝着更可持续的企业数据和应用管理：跨边界联邦学习和分析

    通过在全球范围内部署跨领域联邦学习来遵守新的法律要求和隐私保护政策，越来越多的公司开始实施此方法。该研究分析了跨领域联邦学习的可持续性，并提出了一种综合性的定量成本与二氧化碳排放估计方法。同时，提出了一个使用跨领域联邦学习和分析的数据与应用程序管理系统，以使 IT 公司更具可持续性和成本效益。

    Dec, 2023

  • 探索联邦学习的机器学习模型：方法、性能和限制的综述

    分布式学习框架 - 联邦学习增强了个人数据隐私保护，允许协作研究且无需共享敏感数据；通过多源信息合作，提供更多种类的洞察力。本文是对隐私保护机器学习的系统性文献综述，通过 PRISMA 指南对近年来得出的有关联邦学习的监督 / 非监督机器学习算法、集成方法、元启发式方法、区块链技术和强化学习，以及联邦学习应用进行了广泛回顾。旨在为研究人员和实践者提供从机器学习角度对联邦学习的全面概述，并提供了一些开放问题和未来研究方向的讨论。

    Nov, 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

  • 面向多个机构构建 AI 解决方案的联邦 AI

    探讨了在政府数据不能自由共享的环境下，建立 AI 模型所面对的挑战，并分析了可以用来解决这些挑战的技术。通过实现联邦 AI 的概念，在不移动训练数据的情况下建立了 AI 模型的结果。

    Sep, 2018

  • 联邦学习与数字化健康的未来

    该论文考虑了隐私问题对医疗数据的影响，通过联邦学习提供了数字健康的潜在解决方案，并强调需要解决的挑战和问题。

    Mar, 2020