Federated联邦学习第25页

AutoML论文笔记（二） FedNAS Federated Deep Learning via Neural Architecture Search：基于神经网络搜索的联邦学习

文章题目：FedNAS:FederatedDeepLearningviaNeuralArchitectureSearch链接：linkhttps://chaoyanghe.com/publications/FedNAS-CVPR2020-NAS.pdf会议期刊：CVPR2020workshop论文阅读笔记，帮助记忆的同时，方便和大家讨论。因能力有限，可能有些地方理解的不到位，如有谬误，请及时指正。

霸王龙Alvin·2020-07-04 23:14

联邦学习：没有集中培训数据的协作机器学习

本文翻译自GoogleAIBlog的FederatedLearning:CollaborativeMachineLearningwithoutCentralizedTrainingData标准机器学习方法需要将训练数据集中在一台机器或数据中心。Google已经构建了一个最安全，最强大的云基础架构来处理这些数据，从而使我们的服务更加完善。现在，对于通过用户与移动设备交互进行培训的模型，我们将引入另一

librahfacebook·2020-07-04 21:40

联邦学习：人工智能的最后一公里

题图摄于北京奥林匹克森林公园联邦学习是人工智能的一个崭新领域，被CBInsights称为AI领域9个最重要的研究和应用趋势之一。说起人工智能，大家一定不会陌生。

q48s71bczbeylou9t0n·2020-07-02 14:32

人工智能的新曙光：联邦学习

人工智能的新曙光：联邦学习联邦学习，是一个新的人工智能（AI）模型开发框架，分布在数百万个移动设备上，提供高度个性化的模型，不会损害用户隐私。模型开发，培训和评估，无法直接访问或标记原始用户数据。

intv010·2020-07-02 04:12

联邦机器学习 Federated Machine Learning

联邦机器学习FederatedMachineLearning联邦学习简介联邦机器学习又名联邦学习，联合学习，联盟学习。

頔潇·2020-07-02 01:47

联邦学习概述

联邦学习多个客户端在一个中央服务器下协作式地训练模型的机器学习设置，能够保证训练数据去中心化。联邦学习使用局部数据收集和最小化原则，降低传统中心化机器学习方法带来的一些系统性隐私风险和成本。

无欲则刚·2020-07-01 19:43

编织联邦学习的产业路径，腾讯向金融智能化的更远处进发

近日，江苏银行与腾讯安全共同举行联邦学习应用服务签约仪式，开启了联邦学习的“从云端到产业地平线”的落地之旅，也激发了不少人

脑极体·2020-07-01 12:40

如何对联邦学习进行后门攻击？

如何对联邦学习进行后门攻击？后门攻击：针对训练进行攻击，同时其他训练正常进行。如：只将绿色的车识别为鸟，其他颜色的车预测结果都正常。可以攻击模型的同时保持高准确率。

GJ_007·2020-07-01 09:22

利用mysql的FEDERATED进行3个以上数据库的表数据同步

被问到使用mysql的FEDERATED进行远程同步，多个服务器数据库的情况下同步不了？之前对FEDERATED不了解，所以测试了一下，发现是可以的啊，主要是中间那个数据库要多加个中间表。

deerme·2020-07-01 09:10

理解慕课：发展中国家决策指南：以学习者为中心的方法和学习者的获益

期转载公众号：世界教育信息微信号：shijiejiaoyu编译：许方舟为了更好地理解慕课，以及慕课为发展中国家高等教育所带来的机遇和挑战，进而为决策者提供借鉴和参考，本刊组织编译了由联合国教科文组织和英联邦学习共同体联合发布的报告

蔡蔡Tacy·2020-07-01 08:53

Geoffrey Hinton 等6位图灵奖得主和100多位专家邀请您共话人工智能下一个十年

技术上，深度学习首先带来计算机视觉、语音识别等领域的突破，让机器识别的准确率一步步突破人类水平；在应用上，深度学习、强化学习、联邦学习等学习范式在安防、游戏、金融等不同场景带来新的创新

深度学习技术前沿·2020-07-01 06:14

张钹、高文、杨强同台论道“AI精度与隐私的博弈

以联邦学习为代表的新兴AI技术，能否实现AI协作，提升模型精度的同时实现数据隐私的保护。那么中国如何抢占人工智能安全发展的制高点？下一个10年中人工智能又将何去何从？

喜欢打酱油的老鸟·2020-07-01 06:27

用于移动边缘计算网络的联邦学习框架（二）

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。

handsome programmer·2020-07-01 03:58

冲量网络 | 联邦学习

虽然大量的数据每天都在产生，但在许多领域依然存在数据有限并且质量低下的情况，在跨领域数据方面情况更严重，不同行业的数据源之间也存在壁垒，每一类数据往往都储存在于同一领域的企业或组织中。一般来说，大多数行业里，数据之间都是相互独立，也就是以数据孤岛的形式存在，甚至在某个企业内部，由于竞争、隐私或者合规方面等原因，不同部门之间实现数据共享都会非常难。因此如果想要在现实环境中将分散的数据进行整合和共享，

冲量科技·2020-07-01 01:14

神仙阵容！张钹、高文、杨强同台论道“AI精度与隐私的博弈”

以“联邦学习”为代表的新兴AI技术能否实现AI协作，提升模型精度与数据的隐私保护？中国如何抢占人工智能安全发展的制高点？下一个十年里，人工智能将会何去何从？

AITIME论道·2020-07-01 00:32

高文、张钹、杨强隔空论道：AI精度与隐私的博弈

以联邦学习为代表的AI技术能否实现AI协作，提升模型精度的同时，实现数据隐私的保护？中国如何抢占人工智能安全发展的制高点？下一个十年，人工智能又将何去何从？

AI科技大本营·2020-07-01 00:19

冲量网络 | 可信计算与联邦学习

在上一期《冲量网络|联邦学习》中，我们介绍了联邦学习的基本组成与应用，并展望了联邦学习在人工智能、数据安全、互信写作等方面的特点及优势。

冲量科技·2020-07-01 00:19

综述论文“Advances and Open Problems in Federated Learning”

2019年12月10日arXiv上载的联邦学习综述论文“AdvancesandOpenProblemsinFederatedLearning“。

硅谷秋水·2020-06-30 08:22

综述论文“Federated Learning Systems: Vision, Hype and Reality for Data Privacy and Protection“

2019年12月3日上载到arXiv关于联邦学习的综述论文”ASurveyonFederatedLearningSystems:Vision,HypeandRealityforDataPrivacyandProtection

硅谷秋水·2020-06-30 08:22

破除人工智能中的数据孤岛------联邦学习

众所周知，现在人工智能的工作优化模式是基于数据的，也就是所谓的数据驱动；但是随着人工智能落地场景越来越丰富，社会对于数据隐私的关注也越来越重，尤其是在一些本就需要对隐私保护比较看重的领域（比如银行信贷），范例如下所示：欧盟在几个月前颁布了《一般数据保护条例》（简称为GDPR）。该条例是近三十年来数据保护立法的最大变动，旨在加强对欧盟境内居民的个人数据和隐私保护。法案强调，机器学习模型必须具有可解释

xiaoxifei·2020-06-30 01:38

tensorflow Federated: 本地模型训练，无需上传训练数据

google刚发布了TFF框架，全名是TensorFlowFederated,它是干什么的呢,可以大概总结下：边缘设备（比如：手机）在本地利用本地数据训练模型，进而把本地训练的模型参数上传服务器，然后服务器对各个边缘设备上传的模型参数进行聚合。为什么需要这样做呢？目前大家主要的做法是把各种数据收集至server,然后利用汇总的数据进行模型训练，但是在手机数据时，大家可能会遇到一些敏感信息不能收集或

王发北·2020-06-29 21:42

联邦学习深度学习对抗攻击

联邦学习本身“联邦学习”实际上是一种加密的分布式机器学习技术，参与各方可以在不披露底层数据和底层数据的加密（混淆）形态的前提下共建模型。

惜君Iris·2020-06-29 18:09

Secure Federated Transfer Learning （论文翻译与拓展）

SecureFederatedTransferLearning安全联邦迁移学习#论文链接https://arxiv.org/pdf/1812.03337.pdf（因数学符号无法正常表示，请参照原文的数学公式阅读）一.摘要机器学习依赖于大量训练数据的可用性。然而，在现实中，大多数数据分散在不同的组织中，无法在许多法律和实际约束下轻松集成。在本文中，我们引入了一种新的技术和框架，称为联邦迁移学习(FT

妈妈咪咦·2020-06-29 14:37

联邦学习隐私的方法介绍

https://blog.csdn.net/weixin_44002829/article/details/971711512.2联邦学习的隐私隐私是联邦学习的基本属性之一。这需要安全模型和分析来提供

妈妈咪咦·2020-06-29 14:06

Secure Federated Transfer Learning（论文笔记）

论文链接：https://arxiv.org/pdf/1812.03337.pdf一、概述机器学习依赖于大量数据的可用性来进行训练。然而，实际上，大多数数据分散在不同的组织中，并且在许多法律和实际限制下很难聚合。在本文中，我们引入了一种新技术和框架，称为联邦迁移学习（FTL），以改进数据联合下的统计模型。联盟允许在不损害用户隐私的情况下共享知识，并且允许在网络中传送互补知识。因此，目标域方可以通过

浅若清风cyf·2020-06-29 11:01

Federated Machine Learning:Concept and Applications(论文笔记)

论文链接：https://arxiv.org/pdf/1902.04885.pdf论文笔记一、概述：·AI面临两个挑战：①数据孤岛②数据安全与隐私保护·提出和发展：△2016年Google提出联邦学习框架

浅若清风cyf·2020-06-29 11:30

Fair Resource Allocation In Federated Learning

background单纯的最小化网络中的总损失可能会不成比例地对某些设备有利或不利(例如，平均精度可能很高，但是某些单个设备的精度很低的情况)q-Fair联邦学习(q-FFL)：新的优化目标(实现更公平的精度分配

Julia_luofang·2020-06-29 11:56

【20200304】毕业设计占坑，联邦学习+聚类 TensorFlow Federated(TFF)！

特地在这占坑后面来慢慢补充做的是联邦学习初步想法是把联邦学习和聚类放一起做算法想的差不多了代码能力有点菜接下来是实现部分准备用TensorFlow的federated模块做不知道有没有会的大佬们或者也有兴趣的朋友们可以一起来讨论一下冲鸭

ChanHolYan·2020-06-29 08:53

联邦学习概念

yongrl·2020-06-29 06:29

创新工场南京人工智能研究院执行院长冯霁：联邦学习中的安全问题

近期，创新工场南京人工智能研究院执行院长冯霁做客雷锋网AI金融评论公开课，以“浅析联邦学习中的安全性问题”为题，详尽地讲解了联邦学习的特点、联邦学习的应用和安全防御对策等内容。

喜欢打酱油的老鸟·2020-06-29 03:10

喜欢打酱油的老鸟·2020-06-29 03:06

2020 年技术趋势一览：AutoML、联邦学习、云寡头时代的终结

2020-01-1212:04:26作者|RobertoSannazzaro，BenLongstaff译者|夕颜出品|AI科技大本营（ID:rgznai100）在2020年来临之际，新年前夕往往是人们回顾过去一年并展望来年的好时机。本文将深入探讨了关于AI的技术和非技术方面的趋势，讨论一下相对较新的趋势，如AutoML、AI道德等，因为这些趋势正逐渐与越来越多的公司和用户息息相关。简单回顾下201

喜欢打酱油的老鸟·2020-06-29 03:01

强化学习、联邦学习、图神经网络，飞桨全新工具组件详解

2019-12-0514:55:36机器之心发布机器之心编辑部11月5日，在WaveSummit+2019秋季深度学习开发者峰会上，飞桨全新发布和重要升级了最新的21项进展，在深度学习开发者社区引起了巨大的反响。很多未到场的开发者觉得遗憾，希望可以了解飞桨发布会背后的更多技术细节，因此我们特别策划了一个系列稿件，分别从核心框架、基础模型库、端到端开发套件、工具组件和服务平台五个层面分别详细解读飞桨

喜欢打酱油的老鸟·2020-06-29 03:29

Federated Learning with Non-IID Data

前言一篇关于FederatedLearningwithNon-IIDData的论文，主要探讨了FederatedLearning在每个clients的数据都是Non-IID的情况下，性能如何，以及如何改进。AbstractInthiswork,wefocusonthestatisticalchallengeoffederatedlearningwhenlocaldataisNon-IID.Thea

de_la_prada·2020-06-29 02:34

人工智能新技术——联邦学习的前世今生（中）

联邦学习的前世今生（中）导读联邦学习的应用前景应用部署难点和趋势联邦学习技术实施方法结语导读上篇内容回顾：在《人工智能新技术：联邦学习的前世今生（上）》中，我们与大家一起揭开了联邦学习的神秘面纱，探索了联邦学习成为解决隐私数据保护和数据共享矛盾的关键技术背后的原因

JDD风控算法·2020-06-28 20:58

人工智能新技术——联邦学习的前世今生（上）

导读联邦学习（FederatedLearning）作为人工智能的一个新分支，为机器学习的新时代打开了大门。JDD风控算法团队将通过联邦学习白话三部曲，为大家揭秘联邦学习的前世今生。

JDD风控算法·2020-06-28 20:58

联邦学习框架FATE使用案例记录

联邦学习框架FATE使用案例记录1横向联邦学习案例实验设置文件说明实验步骤2纵向联邦学习案例实验设置实验步骤实验结果结果分析小结3使用感受本文记录了FATE框架中横向和纵向联邦学习的案例使用，并与笔者近期使用过的谷歌

你好丑啊·2020-06-28 20:43

「联邦学习」实现「共同富裕」？CCF 相关主题研讨会即将重磅来袭 ...

雷锋网(公众号：雷锋网)AI科技评论按：3月24日，中国计算机学会技术前线委员会（CCFTF）将于深圳大学科技楼二号报告厅召开主题为「联邦学习（FederatedMachineLearning）：技术及数据隐私保护

weixin_33690963·2020-06-28 03:15

MySQL数据库架构相关笔记（一）

weixin_30888707·2020-06-28 02:48

Federated Machine Learning: Concept and Applications

我们提出了一个解决这些挑战的可能方案：安全联邦学习。除了谷歌在2016年首次提出的联邦学习框架外，我们还引入了一个全面的安全联邦学习框架，其中包括横向联邦学习、纵向联邦学习和联邦迁移学习。

weixin_30888027·2020-06-28 02:10

微众银行FATE联邦学习框架

参考：https://github.com/webankfintech/fatehttps://www.fedai.org/#/一、DockerStandalone安装FATE$shbuild_standalone_docker.shFATE$CONTAINER_ID=`dockerrun-t-dfate/standalone`FATE$dockerexec-t-i${CONTAINER_ID}b

weixin_30266885·2020-06-27 15:45

【MySQL】跨服务器访问数据（Windows版）

1.简介 mysql提供了一个类似Oracle中的数据库链接(DBLINK)功能的存储引擎–FEDERATED。

RED-GO·2020-06-26 21:45

联邦学习论文阅读：Asynchronous Federated Optimization

这是UIUC的一篇刚刚挂在arXiv上的文章：AsynchronousFederatedOptimization。我对边缘计算和异步算法不太了解，直观的理解是作为一个user，我上传的梯度参数是延迟的，也就是说centralserver当前已经更新过这次的梯度了，并且已经开始计算下一次甚至下下次的globalgradient了，那么我这次的参数实际上是混在其他用户下一次更新的数据中的。需要考虑的问

thormas1996·2020-06-26 19:40

联邦学习

简单的笔记历史联邦学习的概念最早由google于17年[1]提出，他们构建了一个横向联邦模型用于提升用户下一步输入预测的准确性。

thormas1996·2020-06-26 19:08

2020年趋势一览：AutoML、联邦学习、云寡头时代的终结（附链接）

来源：授权自AI科技大本营（ID：rgznai100）本文约2300字，建议阅读9分钟。本文将深入探讨关于AI的技术和非技术方面的趋势，讨论一下相对较新的趋势。[导读]在2020年来临之际，新年前夕往往是人们回顾过去一年并展望来年的好时机。本文将深入探讨关于AI的技术和非技术方面的趋势，讨论一下相对较新的趋势，如AutoML、AI道德等，因为这些趋势正逐渐与越来越多的公司和用户息息相关。简单回顾下

数据派THU·2020-06-26 17:00

【联邦学习】联邦学习

（文章内容主要来自文末网盘内部分资料）最近微众举办了一个面向高校大学生的AI比赛，题目如下基于微众提出的联邦学习模型，设计一款有应用场景的产品。

CS正阳·2020-06-26 16:38

联邦学习入门

原文今天我们来讲下最近比较博眼球的联邦学习。应该很多人听过但是始终都没懂啥是联邦学习？百度一下发现大篇文章都说可以用来解决数据孤岛，那它又是如何来解决数据孤岛问题的？

smartcat2010·2020-06-26 13:53

Federated Machine Learning:Concept and Applications

https://www.cnblogs.com/lucifer1997/p/11223964.htmlhttps://blog.csdn.net/qq_36375505/article/details/88554005https://blog.csdn.net/weixin_44774630/article/details/97529260?utm_source=app关键技术：差分隐私DP：在数

sleepinghm·2020-06-26 13:25

联邦学习笔记1：STRATEGIES FOR IMPROVING

摘要联邦学习是一种机器学习设置，其目标是训练高质量的集中模型，同时训练数据仍然分布在大量客户机上，每个客户机都具有不可靠且相对较慢的网络连接。

sleepinghm·2020-06-26 13:24

Differentially Private Federated Learning: A Client Level Perspective

介绍我们的目标并不是只保护数据。相反，我们希望确保一个学习模型不会显示客户是否参与了分散的培训。这意味着客户机的整个数据集受到保护，不受来自其他客户机的差异攻击。我们的主要贡献:首先，我们展示了在联合学习中保持较高的模型性能时，客户机的参与是可以隐藏的。我们证明了我们提出的算法可以在模型性能损失很小的情况下实现客户级差异隐私。与此同时发表的一项独立研究[6]提出了一个类似的客户级dp程序。然而，实