Достижения и открытые проблемы федеративного обучения

Advances and Open Problems in Federated Learning
Phillip B. Gibbons, Dawn Song, Daniel Ramage, Graham Cormode, Yang Liu, Arjun Nitin Bhagoji, Mehdi Bennis, Martin Jaggi, Ben Hutchinson, Chaoyang He, Mehryar Mohri, Li Xiong, Aleksandra Korolova, Jakub Konečný, H. Brendan McMahan, Han Yu, Qiang Yang, Marco Gruteser, Ramesh Raskar, Sen Zhao, Peter Kairouz, Brendan Avent, Aurélien Bellet, Kallista Bonawitz, Zachary Charles, Rachel Cummings, Rafael G. L. D’Oliveira, Hubert Eichner, Salim El Rouayheb, David Evans, Joshua Gardner, Zachary Garrett, Adrià Gascón, Badih Ghazi, Zaïd Harchaoui, Lingxiao He, Zhouyuan Huo, Justin Hsu, Tara Javidi, Gauri Joshi, Mikhail Khodak, Farinaz Koushanfar, Sanmi Koyejo, Tancrède Lepoint, Prateek Mittal, Richard Nock, Ayfer Özgür, Rasmus Pagh, Hang Qi, Mariana Raykova, Weikang Song, Sebastian U. Stich, Ziteng Sun, Ajith Suresh, Florian Tramèr, Praneeth Vepakomma, Jianyu Wang, Zheng Xu, Felix X. Yu, Ananda Theertha Suresh
2020-12-02
SCID:  54.1/88v4shkt Discuss with AI
Оркестрация центральным серверомДецентрализованные обучающие данныеФедеративное обучениеЦеленаправленный сбор данныхМашинное обучение с сохранением конфиденциальности
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
Access Type
Author Information
Authors
Phillip B. Gibbons
Dawn Song
Daniel Ramage
Graham Cormode
Yang Liu
Arjun Nitin Bhagoji
Mehdi Bennis
Martin Jaggi
Ben Hutchinson
Chaoyang He
Mehryar Mohri
Li Xiong
Aleksandra Korolova
Jakub Konečný
H. Brendan McMahan
Han Yu
Qiang Yang
Marco Gruteser
Ramesh Raskar
Sen Zhao
Peter Kairouz
Brendan Avent
Aurélien Bellet
Kallista Bonawitz
Zachary Charles
Rachel Cummings
Rafael G. L. D’Oliveira
Hubert Eichner
Salim El Rouayheb
David Evans
Joshua Gardner
Zachary Garrett
Adrià Gascón
Badih Ghazi
Zaïd Harchaoui
Lingxiao He
Zhouyuan Huo
Justin Hsu
Tara Javidi
Gauri Joshi
Mikhail Khodak
Farinaz Koushanfar
Sanmi Koyejo
Tancrède Lepoint
Prateek Mittal
Richard Nock
Ayfer Özgür
Rasmus Pagh
Hang Qi
Mariana Raykova
Weikang Song
Sebastian U. Stich
Ziteng Sun
Ajith Suresh
Florian Tramèr
Praneeth Vepakomma
Jianyu Wang
Zheng Xu
Felix X. Yu
Ananda Theertha Suresh
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%