Handbook on Federated Learning: Advances, Applications and Opportunities
《联邦学习手册：进展、应用和机遇》
发行日期：2024年1月9日
移动、可穿戴和自动驾驶电话只是每天产生大量信息的现代分布式网络的几个例子。 由于这些设备的计算能力不断增长以及对隐私信息传输的担忧，通过将学习方法和计算转移到设备边界来本地处理部分数据变得很重要。
联邦学习已发展成为这些情况下的教育模式。 联邦学习 (FL) 是去中心化机器学习 (ML) 的专家形式。 它在隐私、大规模机器教育和分发等领域至关重要。 它也是基于现阶段的ICT和新硬件技术，是下一代人工智能（AI）。 在 FL 中，中央 ML 模型是利用传统机器学习中集中式环境中的所有可用数据构建的。
当中央服务器可以提供预测服务时，它可以毫无问题地工作。 用户在移动计算中要求快速响应，但模型处理是在服务器端进行的，因此耗时过长。 该模型可以放置在最终用户设备中，但持续学习是一个需要克服的挑战，因为模型是在完整的数据集中进行编程的，而最终用户设备无法访问整个数据包。
传统机器学习的另一个挑战是，用户数据聚集在一个中心位置，这违反了当地的隐私政策法律，并使数据更容易受到数据违规的影响。 本书提供了联邦学习各个方面的综合方法。
未经允许不得转载：我的生活分享 » 《Handbook on Federated Learning: Advances, Applications and Opportunities》PDF+mobi+epub高清完整电子版
