制作自己网站有什么软件,优化设计高中,商城类的网站怎么做,wordpress纯文字主题分类目录#xff1a;《深入理解联邦学习》总目录 假设有两个不同的企业 A A A和 B B B#xff0c;它们拥有不同的数据。比如#xff0c;企业 A A A有用户特征数据#xff0c;而企业 B B B有产品特征数据和标注数据。这两个企业按照GDPR准则是不能粗暴地把双方数据加以合并的…分类目录《深入理解联邦学习》总目录 假设有两个不同的企业 A A A和 B B B它们拥有不同的数据。比如企业 A A A有用户特征数据而企业 B B B有产品特征数据和标注数据。这两个企业按照GDPR准则是不能粗暴地把双方数据加以合并的因为数据的原始提供者即他们各自的用户并没有机会来同意这样做。假设双方各自建立一个任务模型每个任务可以是分类或预测而这些任务也已经在获得数据时有各自用户的认可。那现在的问题是如何在 A A A和 B B B各端建立高质量的模型。但是由于数据不完整例如企业 A A A缺少标签数据企业 B B B缺少特征数据或者数据不充分数据量不足以建立好的模型那么在各端的模型有可能无法建立或效果并不理想。联邦学习是要解决这个问题各个企业的自有数据不出本地而联邦系统可以通过加密机制下的参数交换方式即在不违反数据隐私法规情况下建立一个虚拟的共有模型。这个虚拟模型就好像大家把数据聚合在一起建立的最优模型一样。但是在建立虚拟模型的时候数据本身不移动也不泄露隐私和影响数据合规。这样建好的模型在各自的区域仅为本地的目标服务。在这样一个联邦机制下各个参与者的身份和地位相同而联邦系统帮助大家建立了“共同富裕”的策略。这就是为什么这个体系叫做“联邦学习”。
上述实例阐述了联邦学习的基本思想下文将规范联邦学习的定义介绍联邦学习的公共价值和商业价值并阐明联邦学习与现有研究的关系。为了进一步准确地阐述联邦学习的思想我们将其定义如下在进行机器学习的过程中各参与方可借助其他方数据进行联合建模。各方无需共享数据资源即数据不出本地的情况下进行数据联合训练建立共享的机器学习模型。 联邦学习系统的约束条件为 ∣ V_FED − V_SUM ∣ ≤ δ |\text{V\_FED}-\text{V\_SUM}| \leq \delta ∣V_FED−V_SUM∣≤δ
其中 V_FED \text{V\_FED} V_FED为联邦学习模型的效果 V_SUM \text{V\_SUM} V_SUM为传统方法数据聚合方法模型效果 δ \delta δ为有界正数。
参考文献 [1] 杨强, 刘洋, 程勇, 康焱, 陈天健, 于涵. 联邦学习[M]. 电子工业出版社, 2020 [2] 微众银行, FedAI. 联邦学习白皮书V2.0. 腾讯研究院等, 2021
