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。

精品内容

联邦学习攻防研究综述
专知会员服务
17+阅读 · 7月22日
联邦学习攻防研究综述
专知会员服务
34+阅读 · 7月15日
【2022新书】联邦学习:方法和应用的综合概述
专知会员服务
79+阅读 · 7月14日
移动边缘网络中联邦学习效率优化综述
专知会员服务
21+阅读 · 7月9日
【ICML2022】Neurotoxin:联邦学习的持久后门
专知会员服务
10+阅读 · 6月26日
「基于联邦学习的推荐系统」最新2022研究综述
专知会员服务
41+阅读 · 5月21日
参考链接
微信扫码咨询专知VIP会员