联邦学习(Federated Learning)概述

概念

本质：联邦学习本质上是一种分布式机器学习技术，或机器学习框架。

目标：联邦学习的目标是在保证数据隐私安全及合法合规的基础上，实现共同建模，提升AI模型的效果。

前身：联邦学习最早在 2016 年由谷歌提出，原本用于解决安卓手机终端用户在本地更新模型的问题。

有人说，联邦学习 = 分布式 + 加密技术 （存疑）。

分类

我们把每个参与共同建模的企业称为参与方，根据多参与方之间数据分布的不同，把联邦学习分为三类：横向联邦学习、纵向联邦学习和联邦迁移学习。

 横向联邦学习：不同地区的银行。本质是样本的联合。

纵向联邦学习：同一地区的银行和超市。本质是特征的联合。

联邦迁移学习：不同地区的银行和超市。

工作流程：

 The workflow of FL can be simply summarized as follows: a) Participant devices obtain their local model updates according to the on-device data samples.They are then uploaded to a central server. b) The central server computes the global model via these aggregated local model updates. c) The local devices download the updated global model and revise the local models. d) The learning cycle repeats until that the required accuracy is reached.

FL的工作流程可以简单总结如下:a)参与设备根据ondevice数据样本获取其本地模型更新。然后将它们上传到中央服务器。b)中央服务器通过这些聚合的本地模型更新来计算全局模型。c)本地设备下载更新后的全局型号，并修改本地型号。d)重复学习循环，直到达到要求的精度。

参考资料：详解联邦学习Federated Learning - 知乎