联邦学习（Federated Learning）在2016年由谷歌最先提出，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习，解决数据孤岛的问题。
联邦学习-王殿元原创文章，作者：bfs，如若转载，请注明出处：https://www.isclab.org.cn/2020/06/07/%e8%81%94%e9%82%a6%e5%ad%a6%e4%b9%a0/
科研团队
上一篇
2020年6月4日 上午1:19
ISCC2020个人挑战赛圆满结束
下一篇
2020年6月8日
相关推荐
-
面向深度学习软件库的API层的漏洞挖掘方法
深度学习软件库作为构建和训练深度学习模型的基础，对深度学习软件库进行检测、挖掘软件库的代码漏洞，是保障深度学习模型的可靠性的基础之一。本次报告介绍了2种基于API层的深度学习软件库…
-
基于因果推理的对抗防御方法
基于因果推理的对抗防御方法通过因果干预、特征解耦与不变性学习，识别并强化数据中的因果特征，抑制模型对伪相关与“捷径特征”的依赖，从而在机理上增强模型的泛化能力和抗干扰能力，使其在遭…
-
Java虚拟机垃圾回收机制
Java虚拟机实现了自动内存管理机制，包括自动内存分配和自动垃圾回收，大大避免了由于代码错误导致的内存泄漏和溢出，得到大量开发者青睐…
-
动态异质图神经网络
本次报告围绕动态图神经网络的最新研究进展展开，重点探讨其在处理时序图数据中的关键技术与应用。报告首先介绍了动态图的结构特性与建模挑战，随后系统分析了主流动态图神经网络架构的设计思想…
-
小样本命名实体识别
NER一直是NLP领域中的研究热点。近年来，深度学习方法在特征抽取深度和模型精度上表现优异，已经超过了传统方法，但无论是传统机器学习还是深度学习方法都依赖大量标注数据来训练模型。然…
-
聚类知识及其初始化问题
聚类学习作为机器学习中最为常用的算法，已经广泛的应用于许多领域。本文主要介绍聚类的一些基础知识，并且以概率聚类模型为例，并讲解一个聚类算法：基于t分布的熵惩罚最大期望算法，使大家对…
-
App个人隐私安全检测技术
本报告主要介绍了隐私数据类型，以及基本的隐私风险检测方法。第一篇论文侧重于分析APP整体的隐私数据泄露，并根据隐私泄露的风险程度给相应的App进行风险评级；第二篇侧重于研究APP中…
-
强化学习基础与实战
本报告介绍了强化学习领域基本概念，详细介绍了Q-Learning算法和Deep Q Learning算法的原理，简要梳理了了两种算法的发展脉络，以经典案例windy grid-wo…
-
缓冲区溢出漏洞浅析
1.认识漏洞 1.1.漏洞的定义 百度：漏洞是在硬件、软件、协议的具体实现或系统安全策略上存在的缺陷，从而可以使攻击者能够在未授权的情况下访问或破坏系统。 Wikip…
-
开放式信息抽取技术
本报告介绍了开放式信息抽取（OIE）的基本概念，展示了Neural OIE的两大类方法原理，并分别讲述了基于Transformer的Nerual OIE技术和利用Meta-Lear…
