迁移学习---联邦学习(附代码下载)---杨强教授
作者:互联网
微众银行+杨强教授团队的联邦学习FATE框架代码:https://github.com/WeBankFinTech/FATE
谷歌联邦迁移学习TensorFlow Federated (TFF)框架代码:
https://www.tensorflow.org/federated/
与杨强教授合影
联邦迁移学习能解决的问题?
数据隔离。
因权限不同,导致不同部门或者不同企业间的数据都是以孤岛的形式存在。
少标签数据。
数据量不足或者数据包含的信息不全。
传输过程隐私安全。
由于条款、利益等的原因导致共享的知识必须加密。
安全性---利用同态加密HE技术解决隐私性---利用差分隐私DP技术解决
同态加密示意图
差分隐私:
差分隐私宗旨:在查询的结果上加满足某种分布的噪音,使查询结果随机化
•拉普拉斯机制,适用于数值型输出
•指数机制,适用于非数值型输出
联邦学习示意图
联邦学习分类:
横向联邦模型:用户特征一致,用户不一致
纵向联邦模型:用户一致,用户特征不一致
联邦迁移学习:用户,用户特征均不一致
谷歌联邦学习框架:
谷歌的联邦学习是为了应对GDRP联盟标准为应用的策略算法,侧重点是:算法对用户的隐私保护。
微众银行与杨强教授的联邦学习框架
侧重点是:解决小数据问题,同时保护用户的隐私。
标签:杨强,学习,用户,---,隐私,联邦 来源: https://blog.csdn.net/sinat_22510827/article/details/118357221