Mar, 2024

联邦迁移学习综述：挑战、方法与应用

PDF
TL;DR联邦学习（FL）是一种新颖的分布式机器学习范式，通过消除数据共享要求，使参与者能够协同训练中央模型并保护隐私。联邦学习涉及多个参与者，并要求第三方汇总全局信息以指导目标参与者的更新。为解决此问题，联邦迁移学习（FTL）吸引了众多研究者的关注。本综述聚焦于对当前联邦迁移学习进展的分类和综述，并概述相关解决方案和应用。
federated learningprivacy preservationfederated transfer learningsystem heterogeneitytransfer learning
发现论文，激发创造
  • 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

  • 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

  • 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

  • 安全联邦迁移学习

    本文介绍了一种新的技术和框架，称为联邦迁移学习（FTL），它可以在数据联邦下提高统计模型的性能。该联邦允许共享知识而不会危及用户隐私，并可在网络中传输补充知识，从而使目标域方能够利用源域方的丰富标签构建更加灵活和强大的模型。同时，为了在联邦下保护 FTL 的性能，还提出了一种安全的跨验证方法。该框架需要对现有模型结构进行最小的修改，并提供与非隐私保护方法同样水平的准确性。该框架非常灵活，可有效适应各种安全多方机器学习任务。

    Dec, 2018

  • 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

  • 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

  • 探索联邦学习的实用性：从通信的角度进行调查

    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

  • 通过本地适配挽救联合学习

    针对联邦学习中参与者局部利益与数据准确度不匹配的问题，本文提出并比较了三种本地适应技术，并指出差分隐私和鲁棒聚合恶化了联邦模型的准确性。这三种技术分别为：微调、多任务学习和知识蒸馏。我们的实验结果表明，所有参与者都从本地适应中受益，并且本地模型表现不佳的参与者通过传统联邦方式得到了大幅提升。

    Feb, 2020

  • 贝叶斯联邦学习：综述

    本文是一项关于贝叶斯联邦学习（BFL）的问题与应用的调查研究，旨在解决分布式基础设施、通信、计算和隐私保护等问题，讨论客户端、服务端和基于 FL 的 BFL 方法，并提出了 BFL 研究的未来发展方向。

    Apr, 2023