联邦学习(联合学习) Federated Learning(FL) (数据孤岛)(隐私计算)

孤岛)(隐私计算)"/>

联邦学习(联合学习) Federated Learning(FL) (数据孤岛)(隐私计算)

联邦学习，是联邦机器学习的简称, 也叫联合学习，联盟学习

谷歌公司和微众银行分别提出了不同的“联邦学习”(Federated Learning)算法框架

Federated Learning: Collaborative Machine Learning without Centralized Training Data

联邦学习是一种机器学习设定，其中许多客户端在中央服务器的协调下共同训练模型，同时保持训练数据的去中心化及分散性。

联邦学习的长期目标：在不暴露数据的情况下分析和学习多个数据拥有者的数据。（目的：解决数据孤岛）

联邦学习通过联合多方在不泄露或汇聚各方原始数据的前提下进行联合建模

一般来说联邦学习中进行交换的数据是进行加密的模型或梯度，其他人是没有办法通过这些信息反推出参与方的数据的

在联邦学习中，不同参与方的数据相互隔离，但数据的有用信息是互通的，例如模型参数和梯度

联邦学习——让数据发挥它的价值

联邦学习的特点

联邦学习的分类

• 横向联邦
• 纵向联邦
• 横纵结合