当前位置: article > 正文

综述论文“Advances and Open Problems in Federated Learning”_advance论文

作者：天景科技苑 | 2024-07-25 01:26:12

踩

advance论文

2019年12月10日arXiv上载的联邦学习综述论文“Advances and Open Problems in Federated Learning“。
在这里插入图片描述
摘要：联邦学习（FL）是一种机器学习设置，其中许多客户端（例如移动设备或整个组织）在中央服务器（例如服务提供商）的协调下协同训练模型，同时保持训练数据的分散性。 FL体现了集中数据收集和最小化的原理，并且可以减轻由于传统的集中式机器学习和数据科学方法导致的许多系统隐私风险和成本。受FL研究爆炸性增长的推动，本文讨论了FL最新进展，并提出了大量未解决的问题和挑战。

联邦学习一词由谷歌研究部门McMahan等人于2016年引入：“我们将我们的方法称为联邦学习，因为学习任务是通过由中央服务器协调的参与设备（我们称为客户端）的松散联合来解决的。”

数据中心的联邦学习和分布学习典型特性比较：
Typical characteristics of federated learning settings vs. distributed learning in the datacenter

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/天景科技苑/article/detail/877587