Nov, 2023

探索联邦学习的机器学习模型：方法、性能和限制的综述

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 联邦机器学习中的隐私和信任重新定义

    本文介绍了一种基于分布式身份技术的隐私保护的分散工作流，用于促进参与者之间可信的联邦学习，限制只有获得适当机构发放的可验证凭证的实体才能建立安全、经过认证的通信渠道，参与与心理健康有关的联邦学习流程。

    Mar, 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

  • 从分布式机器学习到联邦学习：一项调查

    通过对联邦学习的现有作品进行全面调查，提出功能框架和分类学相关技术，以及联邦学习系统的分布式培训，数据通信和安全性。

    Apr, 2021

  • 联邦推荐系统综述

    本文综述了联邦学习在推荐系统中的应用，探讨了隐私机制、聚合策略、异构问题和通信成本等方面面临的挑战和解决方案，同时介绍了相关开源平台，并提出了未来研究方向。

    Dec, 2022

  • 联邦学习的推广、鲁棒性、公正性：调查和基准

    联邦学习是一种有前景的在不同方参与者之间保护隐私的合作范例，本文系统地概述了对联邦学习的重要和最新研究进展，包括研究历史、术语定义、泛化、鲁棒性和公平性等方面，并提出了进一步研究的机会和公开问题。

    Nov, 2023

  • 联邦机器学习和集中式机器学习的比较评估

    本文讨论分布式数据的非 IID 性质及其对联邦学习的训练造成的影响，同时对联邦学习与典型集中式梯度下降技术的不同之处进行比较，并在实践中演示样品数量和输出标签分布对联邦学习的影响。此外，本文证明了在模型大小不太大的情况下使用联邦学习框架具有成本优势。

    Feb, 2022

  • 联邦学习：在数据智能和隐私之间取得平衡

    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

  • 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