联邦学习算法综述

被引：45

作者：

王健宗 ^{[1
]}

孔令炜 ^{[1
]}

黄章成 ^{[1
]}

陈霖捷 ^{[1
]}

刘懿 ^{[1
]}

何安珣 ^{[1
]}

肖京 ^{[2
]}

机构：

[1] 平安科技(深圳)有限公司

[2] 中国平安保险(集团)股份有限公司

来源：

大数据 | 2020年 / 6卷 / 06期

基金：

国家重点研发计划;

关键词：

联邦学习; 算法优化; 大数据; 数据隐私;

D O I：

暂无

中图分类号：

TP311.13 []; TP18 [人工智能理论];

学科分类号：

1201 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

近年来,联邦学习作为解决数据孤岛问题的技术被广泛关注,已经开始被应用于金融、医疗健康以及智慧城市等领域。从3个层面系统阐述联邦学习算法。首先通过联邦学习的定义、架构、分类以及与传统分布式学习的对比来阐述联邦学习的概念;然后基于机器学习和深度学习对目前各类联邦学习算法进行分类比较和深入分析;最后分别从通信成本、客户端选择、聚合方式优化的角度对联邦学习优化算法进行分类,总结了联邦学习的研究现状,并提出了联邦学习面临的通信、系统异构、数据异构三大难题和解决方案,以及对未来的期望。

引用

页码：64 / 82

页数：19

共 4 条

[1] 人工智能赋能金融科技 [J].

王健宗 ;

黄章成 ;

肖京 .

大数据, 2018, 4 (03) :111-116

[2] 大数据隐私保护技术综述 [J].

方滨兴 ;

贾焰 ;

李爱平 ;

江荣 .

大数据, 2016, 2 (01) :1-18

[3]

A communication efficient vertical federated learning framework .2 LIU Y,KANG Y,ZHANG X W,et al. . 2019

[4]

Hogwild:A lock-free approach to parallelizing stochastic gradient descent .2 B.Recht,C.E.Re,S.J.Wright,et al. Neural Information Processing Systems . 2011

← 1 →