联邦机器学习-概念与应用,【附19页论文下载】

2019 年 3 月 9 日 专知

【导读】数据是以孤岛的形式存在的,解决孤岛的直接方案就是把数据整合到一方进行处理。但是,现在这样做很可能是违法的,因为法律不允许运营者粗暴地进行数据聚合。而一个可能的解决方案即联邦学习,它以保障安全隐私的大数据架构为中心。发表在2019年1月TIST上的Federated Machine Learning:Concept and Application详细阐述了联邦机器学习的概念与应用。文章作者是来自香港科技大学的杨强、微众银行的刘洋和人工智能部副总经理陈天健、以及北航童咏昕。


【摘要】

今天的人工智能仍面临两大挑战。 一个是,在大多数行业中,数据是以孤岛形式存在的。 另一个是加强数据隐私和安全。我们提出了一个可能的解决方案面对这些挑战:安全联邦学习。 与谷歌在2016年首先提出的联邦学习框架不同,我们引入了一个全面的安全联合学习框架,其中包括横向框架联邦学习,纵向联合学习和联合迁移学习。本文提供了这些概念的定义,联合学习框架的体系结构和应用,并提供关于这个主题的现有工作。 此外,我们提出建立数据网络联邦机制作为一种有效的解决方案,可以在不涉及用户隐私的情况下共享知识。


原文链接:https://dl.acm.org/citation.cfm?id=3298981

 请关注专知公众号(点击上方蓝色专知关注

  • 后台回复“FML” 就可以获取最新论文的下载链接~ 



【内容简介】

三种不同类型的联邦机器学习框架:横向联邦学习、纵向联邦学习、联邦迁移学习。

横向联邦学习的应用系统

纵向联邦学习的应用系统

-END-

专 · 知

专知《深度学习:算法到实战》课程全部完成!500+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!

欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询!

请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询《深度学习:算法到实战》课程,咨询技术商务合作~

请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

登录查看更多
80

相关内容

联邦学习(Federated Learning)是一种新兴的人工智能基础技术,在 2016 年由谷歌最先提出,原本用于解决安卓手机终端用户在本地更新模型的问题,其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下,在多参与方或多计算结点之间开展高效率的机器学习。其中,联邦学习可使用的机器学习算法不局限于神经网络,还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。
【微众银行】联邦学习白皮书_v2.0,48页pdf,
专知会员服务
163+阅读 · 2020年4月26日
【中国人民大学】机器学习的隐私保护研究综述
专知会员服务
130+阅读 · 2020年3月25日
智能交通大数据最新论文综述-附PDF下载
专知会员服务
103+阅读 · 2019年12月25日
【电子书】机器学习实战(Machine Learning in Action),附PDF
专知会员服务
123+阅读 · 2019年11月25日
【资源】知识图谱本体构建论文合集
专知
61+阅读 · 2019年10月9日
智能交通大数据最新论文综述-附PDF下载
专知
20+阅读 · 2019年1月21日
448页伊利诺伊大学《算法》图书-附下载
专知
15+阅读 · 2018年12月31日
Deflecting Adversarial Attacks
Arxiv
8+阅读 · 2020年2月18日
Arxiv
19+阅读 · 2019年11月23日
AutoML: A Survey of the State-of-the-Art
Arxiv
67+阅读 · 2019年8月14日
Arxiv
4+阅读 · 2018年4月30日
Arxiv
11+阅读 · 2018年1月28日
VIP会员
相关论文
Deflecting Adversarial Attacks
Arxiv
8+阅读 · 2020年2月18日
Arxiv
19+阅读 · 2019年11月23日
AutoML: A Survey of the State-of-the-Art
Arxiv
67+阅读 · 2019年8月14日
Arxiv
4+阅读 · 2018年4月30日
Arxiv
11+阅读 · 2018年1月28日
Top
微信扫码咨询专知VIP会员