首页|联邦学习研究综述

联邦学习研究综述

Survey of federated learning research

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据
联邦学习由于能够在多方数据源聚合的场景下协同训练全局最优模型,近年来迅速成为安全机器学习领域的研究热点.首先,归纳了联邦学习定义、算法原理和分类;接着,深入分析了其面临的主要威胁与挑战;然后,重点对通信效率、隐私安全、信任与激励机制3个方向的典型研究方案对比分析,指出其优缺点;最后,结合边缘计算、区块链、5G等新兴技术对联邦学习的应用前景及研究热点进行展望.

周传鑫、孙奕、汪德刚、葛桦玮

展开 >

信息工程大学,河南郑州450001

联邦学习 隐私保护 区块链 边缘计算

国家自然科学基金

61702550

2021

10.11959/j.issn.2096-109x.2021056

网络与信息安全学报
人民邮电出版社

网络与信息安全学报

CSTPCD
ISSN：2096-109X
年,卷(期)：2021.7(5)
  • 40
  • 10