Jul, 2023

佛罗里达计划：简化联邦学习

PDF
TL;DR通过提供云托管基础设施和任务管理接口，以及支持大多数主流编程语言（包括 C++、Java 和 Python）的多平台 SDK，Project Florida 旨在简化跨设备的联邦学习解决方案的部署任务。它使得服务管理与联邦学习工作流程解耦，可以向机器学习工程师和应用开发者提供联邦学习即服务（FLaaS）的云服务。
发现论文，激发创造
  • EasyFL: 低代码联邦学习平台

    本文介绍了一种名为 EasyFL 的低代码平台，可用于支持联邦学习方法。该平台不仅易于使用，而且具有模块化设计和简单的 API，可用于加速实验和部署。EasyFL 提供了多个功能，如模拟、全面跟踪、分布式培训优化和无缝部署，从而使联邦学习方法被更广泛地使用，并帮助提高研究人员的生产力。

    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

  • 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

  • 木瓜：实用、隐私和可扩展的联邦学习

    本文介绍了一种适用于千万级用户设备的异步跨设备联邦学习 (asynchronous Cross-device Federated Learning) 系统，该系统可用于分布式学习，解决了大规模训练中同步传输的效率问题，异步方式比同步方式在高并发环境下训练速度快 5 倍，通信开销少 8 倍。

    Nov, 2021

  • 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

  • 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

  • NVIDIA FLARE: 从模拟到现实世界的联合学习

    NVIDIA FLARE 是一个开源软件开发工具包，使得数据科学家可以更容易地在其研究和实际应用中使用联邦学习，可以应用不同的隐私保护算法进行多方协作。

    Oct, 2022

  • 开放式联邦学习框架 OpenFL

    Open Federated Learning 是一种开源的数据私有协作学习框架，可用于训练 TensorFlow 和 PyTorch 中的机器学习算法，促进其在生产环境中的应用，同时也用于卫生组织中国际共识机器学习模型的培训。

    May, 2021

  • 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

  • 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