联邦学习浅析

机器学习的成功依赖于大量可用的训练数据。然而,现实中通常面临的情况是,数据分布在多个不同的数据源中,而要训练一个强大的模型需要使用所有数据源中的数据。因此一个直接的想法是,将多个数据源合并到一起。然而,由于通信成本,想要将分散在各个组织、机构的数据进行整合所需的代价是巨大的。而且本地数据的分享会泄露用户隐私。近年来,世界各地都在加强对数据隐私的保护,许多新法案对个人数据的存储和共享施加了严格限制。针对从多个数据源汇集数据的困难,联邦学习的概念被提出,目的是在满足数据隐私和监管要求的前提下,设计一个机器学习框架,使人工智能系统能够更加高效、准确地使用各自的数据。对联邦学习的研究背景、提出过程和定义进行简要的阐述,并且介绍近期的研究进展,以及联邦学习的相关概念。