ASurveyonSecurityandPrivacyofFederatedLearning选自：FutureGenerationComputerSystems，2020本文介绍了联邦学习安全以及隐私方面面临的挑战

文章链接：PFL-MoE:PersonalizedFederatedLearningBasedonMixtureofExperts发表会议：APWeb-WAIM2021（CCF-C）目录1.背景介绍联邦学习

*纪念fate战队写的粮，自割腿肉，一点都不好吃。*含偏友谊向但并不是纯友谊cp：叽疯，微量蓝咚。*我流精神失常and变异设定警告。

联邦学习产生的背景：海量数据的生成和这些数据的后续处理往往需要一个数据仓库并在仓库内汇总数据。

联邦学习需要参与者在每一次的本地训练后，上传所更新的模型参数并与其他参与者共享，而参数更新中仍有可能包含所有者的敏感信息解决方案：加密方法（安全多方计算、同态加密）通过将明文编码为密文的方式，只允许特定人员解码

本文探讨如何将区块链应用于边缘计算、隐私计算联邦学习的场景下的实现数据安全和发挥数据价值效率。什么是边缘计算边缘计算是一种分布式系统模型，它由终端设备、边缘服务器、中心服务器三层网络架

传统联邦学习弊端中心依赖成员之间的协作非常依赖协调方，一旦协调方痴线故障或者恶意行为。。激励不足数据体量小的用户对联邦学习感兴趣，数据题量大的用户没有足够动力。

目前，有很多联邦学习+区块链的的研究工作。Martinez提出使用EOS区块链作为联邦学习的激励层。通过日志、和激励，能够保证联邦学习参与方的热情和高质量的数据贡献。

目录基于区块链与联邦学习技术的数据交易平台基于区块链与联邦学习技术的数据交易平台符合法律法规、数据伦理约束的大规模数据交换是数据要素化的重要条件基础。

新人up主太不容易了，怀着对fate的无限热爱，肝了七天，看了几百个视频，听了几百遍的soldout（混剪里面的BGM）晚上睡觉的时候都会在构思，害，我相信还有无数的新人up主跟我一样，感同身受。

这篇论文同样是来自陆老师组的，发表在IEEEINTERNETOFTHINGSJOURNAL上的一篇关于联邦学习、同态加密的文章。

联邦学习简介联邦学习使得无法被汇聚在一起的多个数据源，可以通过不可逆的模型信息训练共享模型。

AdvancesandOpenProblemsinFederatedLearning》选题：Published10December2019-ComputerScience-Found.TrendsMach.Learn.联邦学习定义联邦学习是一种机器学习设置

一、联邦学习概念当今的AI仍然面临两个主要挑战。一是在大多数行业中，数据以孤立的孤岛形式存在。另一个是加强数据隐私和安全性。我们为这些挑战提出了一种可能的解决方案：安全的联邦学习。

二、用Shapley值解释联邦学习模型2.1Shapley值我们知道机器学习模型很多都是黑盒或者半黑盒模型。

目录引言横向联邦学习纵向联邦学习联邦学习迁移联邦学习开源框架结论参考文献引言在联邦学习白皮书[1]中给出了明确的联邦学习的定义：各方数据都保留在本地，不泄露隐私也不违反法规；多个参与者联合数据建立虚拟的共有模型

联邦学习漫画联邦学习漫画链接:https://federated.withgoogle.com/FederatedAnalytics:CollaborativeDataSciencewithoutDataCollection

视频中我学到的最重要的概念Intellectualtraitsarethethirdpartofpersonality.智力特征在性格上很重要Apartnerdance双人舞2，我在本片文章／音频／视频中学到的怦然心动的单词fate

目录前言1.区块链2.隐私计算3.联邦学习（隐私计算技术）4.区块链和联邦学习5.区块链和人工智能展望参考文献前言区块链公开透明，但也需要隐私，人工智能强大，但也需要限制。

文章目录改进项目背景量化函数的改进non-iid数据集的设置Fedlab划分数据集的踩雷改进项目背景在前面的项目中，虽然对联邦学习中，各个ue训练出来的模型上传的参数进行了量化，并仿真的相关结果。

目录异构网络系统异构和异构统计用户调度联邦学习深度学习模型部署“传统资源分配”和“基于DL的资源分配”任务卸载决策、资源约束下的任务分配、存在优先级的任务调度/卸载启发式算法异构网络定义异构网络(HeterogeneousNetwork

FBL-ET:Afederatedbroadlearningframeworkbasedoneventtrigger目前，一些研究在联邦学习客户端上使用宽度学习系统。

联邦学习是一种训练数据在多方训练，然后聚合结果得到最终的中心化模型。其中的关键就是多方结果的安全聚合。风险模型有很多用户，假设用户都是诚实但好奇的，即会遵守协议规则，但会通过拼凑

PPT截图版权来自微信公众号言十爱，西南交通大学计算机与人工智能学院官号笔记按照报告类别划分而非报告时间划分，且笔记和感想仅为个人浅见可能存在分类分得比较抓马的情况，主要是初学者搞不清细类别目录1.联邦学习

正式成为国内第四大运营商3、李彦宏：百度人工智能技术研发费用占收入19%4、中国电信发布天翼云网门户，面向百行千业提供永远在线的政企服务5、原滴滴出行AI实验室负责人叶杰平加入贝壳找房，任技术副总裁6、京东数科推出自研联邦学习平台

一、综述LimWYB,LuongNC,HoangDT,etal.Federatedlearninginmobileedgenetworks:Acomprehensivesurvey[J].IEEECommunicationsSurveys&Tutorials,2020,2YangQ,LiuY,ChengY,etal.Federatedlearning[J].SynthesisLecturesonA

目录3.TensorflowFederated指南提纲3.1FederatedLearning（）3.1.1FederatedLearning（）_模型3.1.2FederatedLearning（）_联合计算构建器3.1.3FederatedLearning（）_数据库3.2FederatedCore3.2.1FC类型3.2.2FC构建模块3.TensorflowFederated指南提纲从这篇

目录TensorflowFederatedFramework谷歌联邦学习框架1、TensorFlowFederatedFramework数据为主整体训练新的语言FederatedLearning(FL)

大规模联邦学习：谷歌的系统设计摘要：联邦学习是一种分布式机器学习方法，可对大量分散数据进行模型训练。我们已在TensorFlow的基础上为移动设备领域的联合学习构建了可扩展的生产系统。

目录FL的关键概念实现FL的简单步骤Tensorflow代码示例联合学习(FL)是一种出色的ML方法，它使多个设备（例如物联网(IoT)设备）或计算机能够在模型训练完成时进行协作，而无需共享它们的数据。“客户端”是FL中使用的计算机和设备，它们可以彼此完全分离并且拥有各自不同的数据，这些数据可以应用同不隐私策略，并由不同的组织拥有，并且彼此不能相互访问。使用FL，模型可以在没有数据的情况下从更广泛

之间建立了标准的通信协议使用tensor链模型有效的override操作实现了DP和MPCPySyft是用于安全和隐私深度学习的Python库，它在主流深度学习框架（例如PyTorch和TensorFlow）中使用联邦学习

联邦学习是一种用于训练分布在不同设备或地点的模型的技术，其中数据分布在不同的设备上，且不会离开设备。

“要看今晚的《Fate/Zero》，还有夜间重播的《高达00》。”“你居然会追番了！”“想在回家之前看到结局，在家里不能看电视。”路

TFF的开发旨在促进联邦学习（FL）的开放研究和实验。

目录1.联邦学习介绍2.实验流程3.数据加载4.模型构建5.数据采样函数6.模型训练1.联邦学习介绍联邦学习是一种分布式机器学习方法，中心节点为server（服务器），各分支节点为本地的client（设备

1.库·丘林——《Fate》系列库

目录Client端Server端扩展Client.pyServer.pyDataset.pyModel.py分享一种实现联邦学习的方法，它具有以下优点：不需要读写文件来保存、切换Client模型不需要在每次

本文以天池比赛《车辆贷款违约预测》的数据为例，通过pandas处理数据，构建联邦学习数据，用于FATE框架联邦学习。

随着大型语言模型的不断蓬勃发展，相关新模型，新应用和新范式也在不断涌现，自4月发布以来，FATE-LLM已经迭代发布了多个版本，不断完善大语言模型在联邦学习场景下的支持，以解决构建、使用大模型时的数据隐私保护问题以及公域数据短缺

目录一.安装docker二.安装dockerengine三.安装docker-compose四.部署FATE对于dockers安装有很多版吧，我是在虚拟机上Ubuntu18.0.1的版本上安装的。

目录一.数据上传：二.启动fate一.数据上传：数据来源：GitHub链接：GitHub-FederatedAI/FATE:AnIndustrialGradeFederatedLearningFramework

PyramidFL:用于有效联邦学习的细粒度客户端选择框架摘要：联邦学习(FL)是一种新兴的分布式机器学习(ML)范例，具有增强的隐私，旨在为尽可能多的参与者实现“良好”的ML模型，同时消耗尽可能少的时间

原创齐天宇隐私计算研习社收录于合集#联邦学习54个现有的FL方案使用随机的参与者选择来提高选择过程的公平性，但是这会导致资源的低效利用和较低的训练质量。

文章目录简介快速入门下载安装文档的坑安装依赖时独立模式运行时准备数据集和模型独立模式训练分布式模式参考简介官网：https://federatedscope.io/FederatedScope采用事件驱动的编程范式，用于支持现实场景中联邦学习应用的异步训练

导读：本文将详细介绍联邦学习的概念、架构思想、应用场景等内容，帮助大家全面认识联邦学习。

目录一、联邦学习二、联邦学习的分类三、联邦学习的架构四、联邦学习的精度损失五、联邦学习的应用六、总结一、联邦学习联邦学习（FederatedLearning）是一种分布式机器学习技术，其核心思想是通过在多个拥有本地数据的数据源之间进行分布式模型训练

目录联邦机器学习（Federatedmachinelearning）联邦学习重要节点及里程碑举例说明名词解释迭代模型平均(iterativemodelaveraging)：非独立同分布（non-IID）

联邦学习基础知识和概念（入门）联邦学习介绍联邦学习分类横向联邦学习客户-服务器架构对等网络架构纵向联邦学习迁移联邦学习联邦迁移学习的分类**基于实例的联邦迁移学习****基于特征的联邦迁移学习****基于模型的联邦迁移学习

目录联邦学习介绍（非常详细）联邦学习的由来联邦学习的发展历程1)机器学习2)分布式机器学习3)隐私保护技术4)联邦学习联邦学习的规范与标准联邦学习的架构思想联邦学习的社区与生态联邦学习介绍（非常详细）联邦学习是一种带有隐私保护

摘要联邦学习作为一种使用分布式训练数据集构建机器学习模型的新兴技术，可有效解决不同数据用户之间因联合建模而导致的本地数据隐私泄露问题，从而被广泛应用于多个领域并得到迅速发展。