评估应用联合机器学习的现状

Aug, 2023

SoK: Assessing the State of Applied Federated Machine Learning

Tobias Müller, Maximilian Stäbler, Hugo Gascón, Frank Köster, Florian Matthes

TL;DR这项研究通过对 74 篇相关论文的系统文献综述，分析了 FedML 的现实适用性及其实际应用中遇到的挑战，并讨论了 FedML 在真实场景中整合的困难，为进一步发展和实施 FedML 在隐私关键情景中做出了贡献。

Abstract

machine learning (ML) has shown significant potential in various applications; however, its adoption in privacy-critical domains has been limited due to concerns about data privacy. A promising solution to this i

machine learning federated machine learning data privacy real-world applicability challenges

发现论文，激发创造

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

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

在联邦学习框架下维护隐私和安全

通过模拟结果，本文分析了联邦学习中的隐私和安全问题并提出了保护数据隐私的挑战。

Sep, 2019

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

分布式机器学习与信任表现

通过分布式机器学习技术，如联邦学习，实现在不泄露个人和敏感数据的情况下进行大规模的机器学习，同时提出隐私保护这一术语无法真正制定隐私定义的风险，并提供建议和示例，帮助非隐私技术专业人员实现算法的治理、安全性、隐私性和可验证性。

Dec, 2021

联邦学习系统调查：数据隐私和保护的愿景、炒作和现实

本文综述了联邦学习系统的定义、系统构成和分类，旨在为未来的研究提供参考，通过对现有联邦学习系统的系统总结，提出了设计因素、案例研究和未来研究机会。

Jul, 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

智能移动健康系统的隐私保护边缘联邦学习

我们提出一种在物联网基础设施上，针对资源受限的移动健康和可穿戴技术的隐私保护边缘联邦学习框架，并通过在 Amazon 的 AWS 云平台上使用可穿戴技术监测癫痫的发作检测应用的实施评估了我们提议的框架。

May, 2024

FedML：联邦机器学习研究库与基准

介绍了一个开放的研究库和基准，名为 FedML，旨在促进联邦学习算法的开发和公平性能比较，支持三种计算范例，并带有灵活和通用的 API 设计和全面的参考实现。

Jul, 2020

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