Достижения и открытые проблемы федеративного обучения
Advances and Open Problems in Federated Learning
2020-12-02
SCID: 54.1/88v4shkt
Discuss with AI
Оркестрация центральным серверомДецентрализованные обучающие данныеФедеративное обучениеЦеленаправленный сбор данныхМашинное обучение с сохранением конфиденциальности
Figures from the paper
Abstract (AI)
Федеративное обучение (FL) — это подход к машинному обучению, при котором множество клиентов (например, мобильные устройства или целые организации) совместно обучают модель под управлением центрального сервера (например, поставщика услуг), сохраняя обучающие данные децентрализованными. FL воплощает принципы целенаправленного сбора и минимизации данных и может снизить многие системные риски для конфиденциальности и издержки, связанные с традиционными централизованными подходами к машинному обучению и анализу данных. Стремительный рост исследований в области FL послужил мотивацией для подготовки этой монографии, в которой рассматриваются последние достижения и представлен обширный перечень открытых проблем и вызовов.
Key Findings
1
Благодаря принципам целевого сбора и минимизации данных федеративное обучение может снижать системные риски для конфиденциальности и затраты, связанные с централизованным машинным обучением и анализом данных.
2
Федеративное обучение позволяет клиентам, включая мобильные устройства и организации, совместно обучать модели через центральный сервер, сохраняя данные децентрализованными.
3
Монография обобщает современные достижения в федеративном обучении и выявляет широкий спектр нерешённых проблем и вызовов, обусловленных быстрым ростом исследований в этой области.
Research Object
Федеративное обучение (децентрализованная совместная схема обучения с множеством клиентов и центральным сервером)
Research Subject
современные достижения, нерешённые проблемы, вызовы и преимущества федеративного обучения, связанные с конфиденциальностью
Publication Details
Publication Date
2020-12-02
Journal
Publisher
ISSN
Cited by
8604
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai8
Элементы теории информации2001
PyTorch: библиотека глубокого обучения с императивным стилем программирования и высокой производительностью2019
Интригующие свойства нейронных сетей2013
Глубокое обучение с дифференциальной приватностью2016
Теория обучения на данных из различных областей2009
Zerocash: децентрализованные анонимные платежи на основе Bitcoin2014
Алгоритмическая справедливость: выбор, допущения и определения2020
Подробное сравнение эффективности коммуникации при раздельном и федеративном обучении2019
Работы, цитирующие эту статью16
Аугментация текстовых данных для глубокого обучения2021
SplitFed: когда федеративное обучение встречается с разделённым обучением2022
Граничный искусственный интеллект для сетей 6G: концепция, ключевые технологии и приложения2021
Федеративное обучение обеспечивает использование больших данных для выявления границ редких опухолей2022
Обзор энергоэффективности сети радиодоступа 5G: массивные MIMO-системы, облегчённая конструкция несущей, режимы сна и машинное обучение2022
Машинное обучение для медицинских носимых устройств: общая картина2022
Обзор методов машинного обучения и глубокого обучения для обнаружения объектов, семантической сегментации и распознавания действий человека в машинном и роботизированном зрении2024
Комплексный обзор синергии мультимодальных данных и технологий ИИ в медицинской диагностике2024
Федеративная социальная рекомендация с использованием графовых нейронных сетей2022
Современные вычислительные системы: перспективы и проблемы2024
Девять проблем искусственного интеллекта и беспроводных коммуникаций для сетей 6G2022
Прогностическое моделирование и принятие решений в хирургии позвоночника на основе искусственного интеллекта с использованием гибридных моделей машинного обучения2022
Эффективное по коммуникациям распределённое обучение: обзор2023
Этическая основа ответственного использования базовых моделей в медицинской визуализации2025
Графовые нейронные сети для моделирования сложных зависимостей в глобальных сетях цепочек поставок2026
Надежные агентные цепочки поставок: структура управления принятием решений на основе ИИ, оркестрируемым цифровыми двойниками, в условиях ограничений соответствия требованиям, аудируемости и суверенитета данных2026