联邦学习将如何影响您的日常生活？

 

人工智能 (AI) 被认为是下一次工业革命的最大创新之一，其中包括机器学习。另一方面，随着原油和电力成为现代工业的基础资源，数据成为人工智能和机器学习的关键要素。

数据隐私与需求之间的冲突
训练的数据样本的大小决定了可用于增强 AI 性能的机器学习 (ML) 结果的可靠性和准确性。然而，从互联网上获取有用的数据并不总是一件容易的事。Web 爬取通常用于为饥饿的 ML 算法提供最新的数据。然而，网络爬行有时会变成一个道德问题，例如 Facebook-Cambridge Analytica 数据丑闻。他们收集和使用个人数据影响了美国 2016 年总统大选和英国脱欧公投的结果。随后，许多国家出台了数据保护法规，例如欧洲的通用数据保护条例（GDPR），其重点是数据相关组织对个人数据的使用和保护。

什么是联邦学习
联邦学习如何解决隐私信息保护与数据需求的矛盾？

联邦学习是一种分布式学习方法，具有与传统机器学习算法相同的建模效果。然而，联邦学习不是像传统 ML 那样集中所有原始数据，而是将计算任务分发到多个节点。这种方法可以实现与传统方法相同的结果，同时将数据保存在参与者可以控制其数据和设备的本地数据库中。