联邦学习（Federated Learning）是一种机器学习的方法，它的目的是在不共享原始数据的情况下训练模型。相反，数据存储在本地设备（如智能手机或传感器）中，模型更新通过本地设备上的训练完成。这种方法的优势是可以保护用户的隐私，因为不需要将数据集中存储在一个地方，也不需要将数据传输到一个中央服务器进行训练。在联邦学习中，模型通常由一个中央服务器初始化， …
联邦学习
音频｜吴雁雁更多内容，请关注公众号“ccid-2014”。作者丨王丽丽 编辑丨煜 佳音频｜吴雁雁 …
施宇钧NUS 投稿量子位 | 公众号 QbitAI随着深度学习大获成功，保护用户数据隐私变得越来越重要。联邦学习（Federated Learning）应运而生，这是一种基于隐私保护的分布式机器学习框架。它可以让原始数据保留在本地，让多方联合共享模型训练。但它有一个问题——数据的异质化（data heterogeneity），即不同的参与方的本地数据来自不同 …
联邦学习（Federated Learning）是一种新兴的人工智能基础技术，在 2016 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。其中，联邦学习可使用的机器学习算法不局限于神经网络，还包括随 …
智东西（公众号：zhidxcom）编译 | 徐珊编辑 | 云鹏智东西7月12日消息，据外媒Tech Xplore报道，多国研究人员正在联合研究一种新方法，他们希望通过联邦学习的方法，让分拣机器人更“聪明”。“我们正研究如何让AI利用算法分析分拣机器人的训练数据，并提出更强大、更高效的分拣方案”，物料搬运和物流研究所（IFL）的乔纳森·奥伯勒（Jonathan …
- 1