联邦学习 - 资料篇

最新推荐文章于 2025-02-08 18:06:02 发布
原创 最新推荐文章于 2025-02-08 18:06:02 发布 · 310 阅读 · 0 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
收录于
技术与理论

当前文章被收录于：

技术与理论
6 篇文章 0 人学习

通用的技术、理论

订阅专栏 查看详情
联邦学习 .pptx
08-13
人工智能进入新时代，数据孤岛与隐私保护成为阻碍人工智能发展的两大障碍，联邦学习的提出正好可以解决这两个问题。
联邦学习的概念与应用文档
05-25
联邦学习的相关资料，主要对最新问题进行了描述和应用场景的说明，用于对联邦学习相关概念和问题的理解与研究具有指导意义。
【论文阅读】FedBABU：TOWARD ENHANCED REPRESENTATION FOR FEDERATED IMAGE CLASSIFICATION
m0_52330760的博客
09-25 1194
FedPer:训练过程中只聚合主体参数。与BABU不同的是，BABU直接把头部参数给冻结了，而Per头部依旧是参与训练的。训练过程中冻结客户端的头部参数，只训练主体参数。训练完之后再在客户端本地跑几个epoch微调一下（文章推荐5个）。由于该算法与FedPer思路过于相似，故读完后跑了个实验。
研讨问题记录（四）
xiaobai_qian的博客
04-16 772
20230416研讨问题记录
pFedLoRA: Model-Heterogeneous Personalized FederatedLearning with LoRA Tuning
最新发布
tiger00O的博客
02-08 1650
本文提出了一种新型高效的模型异质性个性化联邦学习框架FedLoRA，该框架基于LoRA（Low-Rank Adaptation）调整技术。FedLoRA通过在每个客户端的本地异构模型中插入一个小型低秩同质适配器（adapter），并利用迭代训练方法实现全局与局部知识的交换。这些小型适配器在联邦学习服务器上被聚合生成全局适配器，从而支持客户端之间的知识转移。理论分析证明了FedLoRA的收敛性。
Model-Contrastive Federated Learning 论文解读（CVPR 2021）
Rick_rui的博客
04-25 2161
随机抽取 N个样本的小批量样本，并在从小批量样本上生成增强视图，从而产生 2N 个数据点。本文无明确地指定负例，而是给定一个正对(positivepair)，将小批量中的其他 2N−2个增强示例视为负示例。从不同的图像获得的表征应该相互远离，从相同的图像获得的表征应该彼此靠近。我们的本地模型训练时的loss有两部分组成：传统的交叉熵损失。作者在CIFAR-10做了个实验，来验证他的这种直觉。作者还对比了下SimCLR和MOON框架。对比学习的基本想法是同类相聚，异类相离。为温度系数，分子是正样本对。
【联邦学习】联邦学习算法分类总结
AlexFaker的博客
01-13 2万+
联邦学习算法总结，从不同的角度对联邦学习方法进行分类。
简单理解什么叫联邦学习（全）
cryptocxf的博客
09-06 4万+
《Federated Machine Learning：Concept and Applications》 该篇综述《Federated Machine Learning：Concept and Applications》是杨强教授在2019年发表在ACM Transactions on Intelligent Systems and Technology (TIST)上的一篇综述论文，比较全面和系统的介绍了联邦学习的基本概念、分类和一些安全隐私问题等。下面是我个人结合本篇综述理解的一些笔记记录，比较精简，
联邦学习（Federated Learning）
librahfacebook的博客
05-09 2万+
本文出自微众银行AI项目组对于联邦学习介绍的白皮书，网址：https://www.fedai.org/ 文章目录一、联邦学习背景和重要性1.人工智能发展概况2.GDPR与人工智能挑战3.联邦学习成为可行的解决方案二、联邦学习的定义和范围1.联邦学习概述2.联邦学习定义三、 联邦学习的分类1.横向联邦学习2.纵向联邦学习3.联邦迁移学习四、联邦学习系统架构五、总结展望 一、联邦学习背景和重要性 ...
【阅读笔记】联邦学习实战——联邦学习医疗健康应用案例
HERODING23的博客
03-24 1万+
联邦学习实战——联邦学习医疗健康应用案例前言1. 医疗健康数据概述2. 联邦医疗大数据与脑卒中预测2.1 联邦数据预处理 前言 FATE是微众银行开发的联邦学习平台，是全球首个工业级的联邦学习开源框架，在github上拥有近4000stars，可谓是相当有名气的，该平台为联邦学习提供了完整的生态和社区支持，为联邦学习初学者提供了很好的环境，否则利用python从零开发，那将会是一件非常痛苦的事情。本篇博客内容涉及《联邦学习实战》第十二章内容，使用的fate版本为1.6.0，fate的安装已经在这篇博客中介绍
【阅读笔记】联邦学习实战——联邦学习视觉案例
HERODING23的博客
03-22 8451
联邦学习实战——联邦学习视觉案例前言1. 概述2. 案例描述3. 目标检测算法概述3.1 边框线与锚框3.2 交并比3.3 基于候选区域的目标检测算法3.4 单阶段目标检测4. 基于联邦学习的目标检测网络4.1 动机4.2 FedVision-联邦视觉产品5. 方法实现5.1 Flask-SocketIO基础参考链接 前言 FATE是微众银行开发的联邦学习平台，是全球首个工业级的联邦学习开源框架，在github上拥有近4000stars，可谓是相当有名气的，该平台为联邦学习提供了完整的生态和社区支持，为联邦
federated-learning:关于联邦学习的所有内容（论文，教程等）-联邦学习
05-13
联邦学习 Federated Learning Everything about federated learning. Your contribution is highly valued! 关于联邦学习的资料，包括：介绍、综述文章、最新文章、代表工作及其代码、数据集、论文等等。 欢迎一起贡献！ 目录 1. 教程 Tutorial 文字 PPT (AAAI-19) (AAAI-19) 视频 GDPR, Data Shortage and AI (AAAI-19 Invited Talk) 新闻 2019/02/09 谷歌发布全球首个产品级移动端分布式机器学习系统，数千万手机同步训练 2. 相关论文 Related Papers 综述与介绍 Survey And Introduction arXiv 201912 - Advances and Open Problems in Fede
联邦学习白皮书_v1.0.pdf
04-27
如何在满足数据隐私、安全和监管要求的前提下，设计一个机器学习框架，让人工智能 系统能够更加高效、准确的共同使用各自的数据，是当前人工智能发展的一个重要课题。我们倡议把研究的重点转移到如何解决数据孤岛的问题。我们提出一个满足隐私保护和数据安 全的一个可行的解决方案，叫做联邦学习。
联邦学习是什么？联邦学习简介
qq_45523675的博客
11-15 1万+
在大多数情况下，数据分散的保存在各个企业手中，而各个企业希望在不公开自己数据的情况下，联合其他企业（利用各个企业所持有的数据）一起训练一个模型，该模型能够帮助企业获取更大的利益。对于收集零散的数据，传统的方法是通过搭建一个数据中心，在数据中心对模型进行训练，但随着越来越多的法律限制加上数据拥有者不愿意透露自己的数据，这种方法已经渐渐行不通了。定义：联邦学习（federated learning），全称联邦机器学习（federated machine learning），为了解决联合训练模型时的隐私问题，提出
【联邦学习】理论学习
JingYan_Chan的博客
12-03 6559
联邦机器学习又名联邦学习，联合学习，联盟学习。联邦机器学习是个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。在本章，我们将了解联邦学习的定义、算法原理、分类、短板挑战。联邦学习作为机器学习领域的一种分布式数据处理方法，可以在实现分布式模型训练的同时解决隐私泄露问题。2016年，联邦学习的概念由谷歌提出，其主要思想是基于分布在多个设备上的数据集构建机器学习模型，同时防止数据泄露。杨强教授在2019年。
联邦学习分类及前景应用
cheerful090的博客
01-26 9509
这里写自定义目录标题联邦学习联邦学习的分类1. 根据数据特点分类2. 根据场景分类联邦学习与分布式学习的区别3. 联合学习的前景与应用4. 模型鲁棒性4.1 恶意攻击4.2 非恶意故障参考文献 联邦学习 第一次开始写博客，就从前两天调研的联邦学习开始好了。 下面将以联邦学习的分类、联邦学习与分布式学习的区别、联邦学习的前景与应用以及模型鲁棒性四个方面展开。 联邦学习的分类 联邦学习的孤岛数据有不同的分布特征。对于每一个参与方来说，自己所拥有的数据可以用一个矩阵来表示。设矩阵Di表示第i个参与方的数据；设矩阵
图联邦学习（Federated Graph Learning）
weixin_44458771的博客
02-15 1万+
联邦学习（Federated Learning, FL）是一种分布式学习方案，通过多个参与方（即客户端）协作训练一个模型而无需共享他们的隐私数据，以解决数据隔离问题。图联邦学习(Federated Graph Learning，FGL)是联邦学习在图数据上的应用，通过以联邦方式训练图神经网络，来解决图数据隐私保护的问题。
【联邦学习+区块链】联邦学习与区块链
热门推荐
一定要站在自己热爱的生活里闪闪发光
09-17 4万+
前言：联邦学习（Federated Learning）是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算节点之间开展高效率的机器学习的一种新兴人工智能基础技术，与分布式机器学习不同的是联邦学习需要一种去中心化分布系统来保证用户的隐私安全，在保障数据安全和交换、训练效率前提下进行有效的机器学习。区块链作为一个去中心化、数据加密、不可篡改的分布式共享数据库，可以为联邦学习的数据交换提供数据保密性来对用户隐私进行保障，保证各参与方之间的数据安全，也可以保证多参与方
联邦学习基础介绍
weixin_44458771的博客
09-19 9320
联邦学习（Federated Learning）是一种分布式机器学习技术，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练，不需要交换本地数据，仅通过交换模型参数或中间结果来构建基于虚拟融合数据下的全局模型，从而实现数据隐私保护和数据共享计算的平衡。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值