联邦学习(Federated Learning)是一种机器学习技术,它允许设备在本地进行训练,同时保持数据隐私。以下是关于联邦学习的一些基本概念和资源。
基本概念
- 数据隐私:联邦学习允许用户在本地训练模型,而无需将数据上传到中央服务器,从而保护用户数据隐私。
- 分布式训练:多个设备共同参与模型的训练过程,每个设备贡献一部分计算资源。
- 模型聚合:训练完成后,将各个设备上的模型进行聚合,得到最终的模型。
资源
- 联邦学习论文:《Federated Learning: Concept and Application》
- 联邦学习框架:TensorFlow Federated 和 Federated Learning Kit
相关文章
图片
Federated Learning Architecture