|
|
|
|
|
FCS | 文章精要：联邦学习综述——多方计算的视角 |
|
|
论文标题：（联邦学习综述——多方计算的视角）
期刊：
作者：Fengxia LIU, Zhiming ZHENG, Yexuan SHI, Yongxin TONG, Yi ZHANG
发表时间：15 Jul 2023
DOI：
微信链接：
导读
联邦学习(FL)作为一种流行的机器学习范式出现，它允许多个数据所有者在不共享其原始数据集的情况下协同训练模型。它在敏感数据上具有广泛的分析应用潜力。例如，联邦学习已经应用于医疗大数据分析，如疾病预测和诊断，而不向第三方服务透露患者的私人医疗信息。它也被银行和保险公司用来为风险评估或客户推荐训练精确的机器学习模型。
联邦学习通过将训练过程分解为局部训练和模型聚合，使协作模型训练成为可能，而无需在数据所有者之间共享原始数据集。每个数据所有者在自己的数据分区上进行本地训练，并且只传达中间结果，例如，在集中的服务器或其他数据所有者上进行模型聚合的梯度。与中央服务器协调模型聚合的联邦学习称为中心化FL，而以对等方式进行的模型聚合称为去中心化FL。中心化FL给服务器带来了高计算工作量，而去中心化FL则涉及对等方之间的过度通信。因此，半中心化FL最近被提出通过进行聚类或分层模型聚合来平衡计算和通信成本。
我们专注于有隐私保障的联邦学习。注意，交换中间结果，例如梯度而不是原始数据集可能仍然泄露隐私。因此，在联邦学习过程中，安全通信和计算需要额外的技术。我们特别感兴趣的是多方计算，这是一种通用的，基本的技术类别，它为聚合计算提供多方私人输入，而不透露任何一方的私人数据。常用的多方计算技术包括混淆电路，秘密共享，同态加密，差分隐私等。近年来，通过多方计算进行联邦学习的隐私得到了加强。
本综述旨在全面概述多方计算中有隐私保障的联邦学习。我们回顾了哪些多方计算方案适用于中心化，去中心化和半中心化联邦学习中的隐私保护。我们还讨论了在采用各种多方计算技术时如何提高联邦学习的准确性和效率。
文章精要
相关内容推荐：
Frontiers of Computer Science
Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办、SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，双月刊，全球发行。主要刊登计算机明升体育app领域具有创新性的综述论文、研究论文等。本刊主编为周志华教授，共同主编为熊璋教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和明升官网明升体育app引文数据库（CSCD）核心库等收录，为 CCF 推荐期刊；两次入选“明升官网科技期刊国际影响力提升计划”；入选“第4届明升官网国际化精品科技期刊”；入选“明升官网科技期刊卓越行动计划项目”。
《前沿》系列英文学术期刊
由教育部主管、高等教育出版社主办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以网络版和印刷版向全球发行。系列期刊包括基础明升体育app、明升m88明升体育app、工程技术和人文社会明升体育app四个主题，是我国覆盖学科最广泛的英文学术期刊群，其中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或相应学科国际权威检索系统收录，具有一定的国际学术影响力。系列期刊采用在线优先出版方式，保证文章以最快速度发表。
明升官网学术前沿期刊网
特别声明：本文转载仅仅是出于传播信息的需要，并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，须保留本网站注明的“来源”，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，请与我们接洽。
