联邦学习综述：概念、技术、应用与挑战

被引：29

作者：

梁天恺 ^{[1
]}

曾碧 ^{[2
]}

陈光 ^{[1
]}

机构：

[1] 广州广电运通金融电子股份有限公司研究总院

[2] 广东工业大学计算机学院

来源：

计算机应用 | 2022年 / 42卷 / 12期

基金：

广东省自然科学基金;

关键词：

联邦学习; 隐私保护; 横向联邦学习; 纵向联邦学习; 联邦迁移学习; 开源框架;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

在强调数据确权以及隐私保护的时代背景下，联邦学习作为一种新的机器学习范式，能够在不暴露各方数据的前提下达到解决数据孤岛以及隐私保护问题的目的。目前，基于联邦学习的建模方法已成为主流并且获得了很好的效果，因此对联邦学习的概念、技术、应用和挑战进行总结与分析具有重要的意义。首先，阐述了机器学习的发展历程以及联邦学习出现的必然性，并给出联邦学习的定义与分类；其次，介绍并分析了目前业界认可的三种联邦学习方法：横向联邦学习、纵向联邦学习和联邦迁移学习；然后，针对联邦学习的隐私保护问题，归纳并总结了目前常见的隐私保护技术；此外，还对联邦学习的现有主流开源框架进行了介绍与对比，同时给出了联邦学习的应用场景；最后，展望了联邦学习所面临的挑战和未来的研究方向。

引用

页码：3651 / 3662

页数：12

共 67 条

[21]

FATE: An Industrial Grade Platform for Collaborative Learning With Data Protection[J] . Liu Yang,Fan Tao,Chen Tianjian,Xu Qian,Yang Qiang.JOURNAL OF MACHINE LEARNING RESEARCH . 2021

[22]

Multi-participant multi-class vertical federated learning. FENG S W,YU H. https://arxiv.org/pdf/ 2001.11154.pdf . 2020

[23]

Vertical federated learning without revealing intersection membership. SUN J K,YANG X,YAO Y Set al. https://arxiv.org/pdf/ 2106.05508.pdf . 2021

[24]

Big data security and privacy protection. ZHANG D P. Proceedings of the 8th International Conference on Management and Computer Science . 2018

[25] 联邦学习与数据安全研究综述 [J].

王壮壮 ;

陈宏松 ;

杨丽敏 ;

陈丽芳 .

智能计算机与应用, 2021, 11 (01) :126-129+133

[26] 联邦学习安全与隐私保护综述 [J].

陈兵 ;

成翔 ;

张佳乐 ;

谢袁源 .

南京航空航天大学学报, 2020, 52 (05) :675-684

[27] Federated Learning for 6G Communications: Challenges, Methods, and Future Directions [J].

Yi Liu ;

Xingliang Yuan ;

Zehui Xiong ;

Jiawen Kang ;

Xiaofei Wang ;

Dusit Niyato .

中国通信, 2020, 17 (09) :105-118

[28] 联邦学习浅析 [J].

王佳 ;

苗璐 .

现代计算机, 2020, (25) :27-31+36

[29] 联邦学习安全与隐私保护研究综述 [J].

周俊 ;

方国英 ;

吴楠 .

西华大学学报(自然科学版), 2020, 39 (04) :9-17

[30]

Enabling Intelligence at Network Edge Edge:An Overview of Federated Learning[J]. Howard H.YANG,ZHAO Zhongyuan,Tony Q.S.QUEK.ZTE Communications. 2020(02)

← 1 2 3 4 5 6 7 →