联邦机器学习-概念与应用，【附19页论文下载】

【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