通过评估五个 FL 框架的模拟和真实数据,本研究首次全面比较了工程和统计领域的 FL 框架,结果表明,相对于工程方法,统计 FL 算法在模型系数的估计上产生的偏差更小,且提供了方便的置信区间估计。然而,工程方法往往能够生成更准确的预测,有时甚至超过了中心汇总和统计 FL 模型。这项研究强调了两种方法的相对优势和劣势,并强调了未来 FL 应用中增加对两种方法的认识和整合的重要性。
Nov, 2023
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
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
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
本研究对不同的联邦学习聚合方法进行了性能评估,并将它们与中心化和本地化训练方法进行了比较。研究结果表明,FL 的性能高度依赖于数据及其在客户端的分布。在某些场景下,FL 可以是传统中心化或本地化训练方法的有效替代方案。此外,我们介绍了一个来自实际质量检验环境的新联邦学习数据集。
Apr, 2023
通过利用联邦学习来跨多个保险业数据集学习单个模型,而无需将数据集从一家公司共享到另一家公司,该报告展示了在改进索赔损失建模方面的益处。联邦学习的应用解决了有限数据量和数据多样性这两个最迫切问题,这些问题由于隐私问题、索赔事件的罕见性、缺乏信息性评级因素等造成。
Feb, 2024
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
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
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。
调查分析了通信高效的联合学习方法,定义了通信效率的度量方法并提供了系统全面的分类和评述,讨论了提高联合学习系统通信效率的未来研究方向。
May, 2024