联邦学习（Federated Learning）详解以及示例代码

联邦学习也称为协同学习，它可以在产生数据的设备上进行大规模的训练，并且这些敏感数据保留在数据的所有者那里，本地收集、本地训练。在本地训练后，中央的训练协调器通过获取分布模型的更新获得每个节点的训练贡献，但是不访问实际的敏感数据。

联邦学习本身并不能保证隐私（稍后我们将讨论联邦学习系统中的隐私破坏和修复），但它确实使隐私成为可能。

联邦学习的用例：

• 手机输入法的下一个词预测（e.g. McMahan et al. 2017, Hard et al. 2019）
• 健康研究（e.g. Kaissis et al. 2020, Sadilek et al. 2021）
• 汽车自动驾驶（e.g. Zeng et al. 2021, OpenMined 的文章）
• “智能家居”系统（e.g. Matchi et al. 2019, Wu et al. 2020）

因为隐私的问题所以对于个人来说，人们宁愿放弃他们的个人数据，也不会将数据提供给平台（平台有时候也想着白嫖

标签：示例,Federated,al,学习,隐私,Learning,联邦,et,数据
来源： https://www.cnblogs.com/deephub/p/15675266.html