联邦学习综述:概念、技术、应用与挑战

摘要：

在强调数据确权以及隐私保护的时代背景下,联邦学习作为一种新的机器学习范式,能够在不暴露各方数据的前提下达到解决数据孤岛以及隐私保护问题的目的.目前,基于联邦学习的建模方法已成为主流并且获得了很好的效果,因此对联邦学习的概念、技术、应用和挑战进行总结与分析具有重要的意义.首先,阐述了机器学习的发展历程以及联邦学习出现的必然性,并给出联邦学习的定义与分类;其次,介绍并分析了目前业界认可的三种联邦学习方法:横向联邦学习、纵向联邦学习和联邦迁移学习;然后,针对联邦学习的隐私保护问题,归纳并总结了目前常见的隐私保护技术;此外,还对联邦学习的现有主流开源框架进行了介绍与对比,同时给出了联邦学习的应用场景;最后,展望了联邦学习所面临的挑战和未来的研究方向.

关键词：联邦学习、隐私保护、横向联邦学习、纵向联邦学习、联邦迁移学习、开源框架

所属期刊栏目：42

分类号：TP181;TP309(自动化基础理论)

资助基金：国家自然科学基金;广东省自然科学基金资助项目

在线出版日期：2022-12-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：3651-3662