聯邦學習在機器學習領域有什麼獨立存在的價值

1樓：

如果不考慮隱私和安全性，橫向聯邦學習對應多工學習，縱向聯邦學習對應多檢視學習，剩下聯邦遷移學習對應傳統遷移學習。若不考慮隱私和安全性問題，相關的研究已經很多了。現在是考慮安全和隱私的情況下，對訓練過程有了新的要求。

2樓：京東科技風險演算法與技術

從產業視角來看，工程思路做聯邦學習遠遠不夠：

1）安全性問題，產業資料涉及使用者隱私相關的合規性、資料資產流失兩個方面的顧慮，需要密碼學理論證明，以及定製研究；

2）時間複雜度問題，現有聯邦演算法的耗時是傳統演算法的100倍，需要對演算法進行優化，這涉及環境約束的最優化研究；

3）網路頻寬問題，現有的聯邦演算法推薦頻寬是100M，這是很多企業無法提供的，比如銀行常見頻寬只有2M，那這裡涉及到加密通訊技術的研究優化。

從定義上看，聯邦學習是隱私保護的分布式機器學習，涉及密碼學、分布式、機器學習三個學科的交叉。回頭看問題的細節，「資料並行」和「分段訓練」是分布式和機器學習的概念，還比較片面。事實上，我們還需思考下隱私保護技術（密碼學）如何糅合進來，進行整體的優化，這就是很複雜的系統科學了。

期待學術大咖們幫我們產業界提供更多NB的工具。

3樓：哈哈哈

存在價值的話，我覺得聯邦學習是機器學習真正應用在現實中的正規化，如何對分散並被保護的資料集進行模型訓練是剛需。聯邦學習裡涉及到的技術，王晉東不在家回答得挺全面了，總之，這是個很有深度的領域，未來前景很大。