【论文笔记】A survey on federated learning （综述）

Author	Chen Zhang, Yu Xie, Hang Bai, Bin Yu, Weihong Li, Yuan Gao
Keywords	Federated learning; Privacy protection; Machine learning
Abstract	联邦学习是在一个中央聚合器的协调下多客户协作解决机器学习问题的机制。它还允许数据分散训练以确保每个设备的数据隐私。联邦学习基于两个主要思想：本地计算、模型传输，减少了一些由传统的集中式机器学习方法带来的系统性的隐私风险和代价。客户端的原始数据被储存在本地，不能被交换和迁移。随着联邦学习的应用，每个设备在本地训练本地数据，然后上传模型到服务器做聚合，并且最终服务器将模型更新发送给客户以达到学习目标。为了提供一个全面的调查和为该领域后续研究提供便利，我们从五个方面系统介绍联邦学习的现有工作，数据划分、隐私机制、机器学习模型、传输架构、系统异构性。然后，我们挑选出现有挑战及联邦学习未来研究方向。最后，我们总结现有联邦学习的特点，并且分析当下联邦学习的应用。
Year	2021
Publication	Knowledge-Based Systems
DOI	10.1016/j.knosys.2021.106775

具体内容：【论文笔记】A survey on federated learning （综述）