.png){kind=icon}
返回
Federated Learning: Concepts, Challenges and Implementation
.png){kind=icon}
PRE
AI
DOI：10.1111/exsy.70096.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
联邦学习（FL）作为一种分布式神经网络的新颖方法应运而生，它允许多个客户端在不集中数据的情况下协同训练模型，从而保持去中心化和数据隐私。本文对FL的核心概念进行了全面讨论，包括其组成部分、关键挑战以及与传统机器学习的区别。该论文概述了各种类型的FL，并重点介绍了在医疗保健和金融等隐私敏感领域的应用。此外，本文还探讨了FL在自监督学习、个性化以及多模态应用方面的最新进展，以及区块链技术集成以增强隐私保护。讨论了FL的关键优势，例如通过传输模型参数而非原始数据来减少通信开销，从而最小化网络负载并增强隐私保护。此外，本文还探讨了FL发展中的新兴问题，包括可扩展性、公平性和系统标准化。通过Google Gboard和脑肿瘤分割等实际案例，展示了FL的实际影响。最后，本文讨论了未来发展方向，包括与强化学习、迁移学习等其他AI技术的潜在集成。本文为初涉FL或希望更全面了解其生态系统的研究人员和专业人士提供了宝贵的见解。虽然目前探讨FL有限方面的研究较少，但本文采用整体方法，涵盖了FL的所有方面，包括基础概念、实现、FL面临的挑战以及实际应用。从概念到实际应用的整体范围，使其具有独特性和重要价值。
Keyword:
blockchain
cross-device learning
cross-silo learnining
data security
distributed machine learning
Federated Learning
model aggregation
non-IID data
reinforcement learning
self-supervised learning
期刊
IF:
2.3
论文数:
2.6K
被引数:
3.8K
机构
引用论文
An adaptive ant colony optimisation for improved lane detection in intelligent automobile vehicles
PREAI
分享收藏
Federated Learning: A Survey on Enabling Technologies, Protocols, and Applications.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Communication-Efficient Federated Deep Learning With Layerwise Asynchronous Model Update and Temporally Weighted Aggregation具有分层异步模型更新和时间加权聚合的高效通信联合深度学习OAAI
OAAI分享收藏On Safeguarding Privacy and Security in the Framework of Federated Learning论联邦学习框架下的隐私安全保障IEEE NETWORKOAAI
IEEE NETWORKIF6.3
OAAI分享收藏
查看更多内容