基于协调数据孤岛的联邦学习
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
通过联邦学习机制,能够保持本地机构中的敏感数据,同时在中央服务器上培训共享全球模型,从而改进卫生保健数据的隐私保护和数据分析,以解决医疗卫生数据碎片化和保密性问题。
Nov, 2019
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
提出一种新的联邦学习方法,利用预训练模型作为本地模型的骨架,使用完全连接的层组成头部来解决客户端数据分布和计算资源不同的问题,在客户端之间共享类别的嵌入向量,采用加噪声的隐私保护混合方法来保护隐私,最后在自建车辆数据集上进行全面评估。
Jan, 2023
Federated Continual Learning (FCL) integrates federated learning and continual learning to address the challenge of data privacy and silos, by fusing heterogeneous knowledge from different clients and retaining knowledge of previous tasks while learning on new ones, through methods such as synchronous FCL and asynchronous FCL.
Dec, 2023
研究在食品领域受到数据共享障碍的限制,这些障碍包括数据所有权、隐私需求和法规。联邦学习是一种通过在本地保存数据并仅共享学到的参数的方法,可以缓解数据共享障碍。本系统综述调查了联邦学习在食品领域的应用,将包含的文献结构化为联邦学习框架,突出知识缺口,并讨论了潜在应用。共有 41 篇论文纳入综述。目前的应用包括解决水和牛奶质量评估、水处理的网络安全、农药残留风险分析、杂草检测和欺诈检测,重点是集中式横向联邦学习。发现其中一个缺口是缺乏纵向或转移联邦学习和去中心化架构。
Jun, 2024
本文提出了一种名为 MDH-FL 的方法,利用数据和模型的异质性,通过知识蒸馏和对称损失来提高联邦学习中全局模型的效率,实验证明该方法在医学数据集上比现有方法表现出更好的优越性。
Jul, 2023
本文提供了一种系统的概述和分类,涵盖了联邦学习的现有安全挑战以及针对数据污染,推断攻击和模型毒化攻击的防御技术。此外,还探讨了处理非独立同分布数据、高维度问题和异构架构的联邦学习的当前训练挑战,并提出了解决相关挑战的几种解决方案。最后,我们讨论了联邦学习训练中剩余的挑战,并提出了针对开放问题的研究方向建议。
Apr, 2022