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

《联邦学习中的对抗性攻击》48页论文
专知会员服务
38+阅读 · 2023年11月1日
《贝叶斯神经网络的联邦学习》2023最新73页论文
专知会员服务
57+阅读 · 2023年5月7日
博士论文《联邦学习仿真器》221页,米兰理工大学
专知会员服务
29+阅读 · 2023年3月14日
《基于联邦学习的全球协同威胁检测》
专知会员服务
29+阅读 · 2023年3月13日
「联邦学习系统攻击与防御技术」最新2023研究综述
专知会员服务
38+阅读 · 2023年3月12日
【MIT博士论文】联邦学习实用方法,143页pdf
专知会员服务
63+阅读 · 2022年9月24日
「联邦学习模型安全与隐私」研究进展
专知会员服务
65+阅读 · 2022年9月24日
参考链接
微信扫码咨询专知VIP会员