联邦学习概述：技术、应用及未来

被引：31

作者：

李少波 ^{[1
,2
]}

杨磊 ^{[2
]}

李传江 ^{[2
]}

张安思 ^{[1
,2
]}

罗瑞士 ^{[2
]}

机构：

[1] 贵州大学省部共建公共大数据国家重点实验室

[2] 贵州大学机械工程学院

来源：

计算机集成制造系统 | 2022年 / 28卷 / 07期

基金：

国家重点研发计划;

关键词：

联邦学习; 隐私保护; 通信效率; 异构性; 激励机制;

D O I：

10.13196/j.cims.2022.07.018

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

联邦学习(FL)以多方数据参与为驱动，通过数据加密交互实现数据自身价值的最大化，近年来受到各界研究学者的广泛关注与研究，逐步从基础理论研究走向实际应用，为企业进一步发挥数据价值提供了新技术。在阐述联邦学习定义及分类的基础上，首先对其隐私保护、通信效率、异构性、激励机制等相关技术的国内外研究进展展开了较为全面的分析和总结；其次介绍了当前联邦学习已有的应用平台和框架，并提出了联邦学习在智能制造、医疗、教育等领域的应用框架；最后，结合联邦学习在一些关键的开放性问题上的不足，对其未来发展趋势和方向进行了总结与展望，旨在为联邦学习的理论研究及应用落地提供参考。

引用

页码：2119 / 2138

页数：20

共 60 条

[1] 联邦学习通信开销研究综述
邱鑫源
叶泽聪
崔翛龙
高志强
[J]. 计算机应用, 2022, 42 (02) : 333 - 342
[2] 区块链安全、隐私与性能问题研究综述
曹雪莲
张建辉
刘波
[J]. 计算机集成制造系统, 2021, 27 (07) : 2078 - 2094
[3] 联邦学习中的隐私保护研究进展
杨庚
王周生
[J]. 南京邮电大学学报(自然科学版), 2020, 40 (05) : 204 - 214
[4] 联邦学习安全与隐私保护综述
陈兵
成翔
张佳乐
谢袁源
[J]. 南京航空航天大学学报, 2020, 52 (05) : 675 - 684
[5] 机器学习的隐私保护研究综述
刘俊旭
孟小峰
[J]. 计算机研究与发展, 2020, 57 (02) : 346 - 362
[6] 人工智能视角下的智能制造前世今生与未来
姚锡凡
刘敏
张剑铭
陶韬
蓝宏宇
葛动元
[J]. 计算机集成制造系统, 2019, 25 (01) : 19 - 34
[7] Distributed additive encryption and quantization for privacy preserving federated deep learning
Zhu, Hangyu
Wang, Rui
Jin, Yaochu
Liang, Kaitai
Ning, Jianting
[J]. NEUROCOMPUTING, 2021, 463 : 309 - 327
[8] Achieving security and privacy in federated learning systems: Survey, research challenges and future directions[J] . Blanco-Justicia Alberto,Domingo-Ferrer Josep,Martínez Sergio,Sánchez David,Flanagan Adrian,Tan Kuan Eeik.Engineering Applications of Artificial Intelligence . 2021
[9] Federated learning for COVID-19 screening from Chest X-ray images[J] . Feki Ines,Ammar Sourour,Kessentini Yousri,Muhammad Khan.Applied Soft Computing Journal . 2021
[10] Efficient Bayesian inference using adversarial machine learning and low-complexity surrogate models[J] . Na Jonggeol,Bak Ji Hyun,Sahinidis Nikolaos V..Computers ＆ Chemical Engineering . 2021 (prep)

← 1 2 3 4 5 6 →