用于移动边缘计算网络的联邦学习框架（二）

CT：混沌理论，喜欢用k值临近算法

AHP：应用命中率

表示在查找NE上设备请求的应用程序时命中的百分比。

下面开始联邦学习的讲解

联邦学习的定义：是一种机器学习设定，其中许多客户机（例如，移动设备或整个组织）在中央服务器（例如，服务器提供商）的协调下共同训练模型，同时保持训练数据的去中心化。
联邦学习的长期目标：在不暴露数据的情况下分析和学习多个数据拥有者的数据。（解决数据孤岛）
2018年谷歌学习的社区提出的。

联邦学习的定义

很多客户端，在中央服务器的协调下，共同训练一个模型，而且需要一些数据，在客户端中保持去中心化的离散性质。
咱们平时训练模型的时候，都是在单机上训练的，但是我们现在做的是，结合不同客户端的一个数据，但是7有保证数据之间，相互不连通，保证多个客户端数据集的模型训练。

联邦学习的深入

孤岛现象：用户每时每刻都会产生数据，数据只是单独的保存在本地，因为包含隐私性。刚打开软件有个协议，这协议中都会包含隐私性保护的协议。所以，联邦学习在数据不共享的情况下，共同训练一个模型。
总而言之，就是在保护隐私的情况下，去完成一个共同学习的机器学习任务

为什么要引入联邦学习

结合不同的城堡，集中一起算一个大的。
1、不均衡的数据，非独立同分布
2、不可靠的设备
3、设备与设备间的通信，设备与服务器的通信的带宽有限。

应用

1、谷歌输入法中的关键字问题。（跨数据）
2、多家医院有病人的数据，病人的数据需要保护和隐私。我们需要共同完成眼角膜病变的识别，怎么提高模型的效果。大医院的数据多，小银元的数据少。（夸孤岛）
服务器要做的工作是模型聚合问题。