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
-
格式化字符串漏洞
介绍了格式化字符串漏洞的常见形式，以及在Windows32和Linux64下的两种利用思路，可以扩展到其他漏…
-
缓解多模态大语言模型的幻觉问题
该研究针对多模态大语言模型生成内容与输入信息不符的“幻觉”问题，提出两种缓解方法：OPERA在推理阶段通过惩罚过信任与回溯重分配机制减少幻觉；HACL在训练阶段引入幻觉文本作为困难…
-
基于LSTM-CRF的序列标注算法
条件随机场（conditional random fields）是一种满足马尔可夫性质的条件概率图模型。它很好地解决了隐马尔可夫模型…
-
模型水印攻击方法
模型水印攻击旨在干扰、破坏或绕过嵌入在模型中的水印信息。本次报告从模型水印攻击的概念入手，分析其原理和应用场景，利用模型水印攻击方法对模型水印算法分析与评估，为模型水印算法的改进提…
-
面向数据异构与通信高效的联邦大模型优化与应用研究
联邦大模型将联邦学习与大语言模型相结合，遵循“数据不动、模型动”的原则，在无需集中原始数据的前提下，共同训练与优化大模型。该技术能有效破解数据孤岛，为医疗、教育等领域提供隐私安全的…
-
计算机启动流程详解2
计算机从按下电源按钮到操作系统启动完成的过程其实相当复杂，大多数普通用户可能并不了解其中的过程和玄机。本次报…
-
深度学习模型校准技术
深度学习模型校准技术是模型预测可靠性的重要保障手段之一，其通过正则化或后处理方法调节模型对样本实例上的置信度，使其与预测的真实概率良好匹配。本次报告介绍了深度学习模型校准的基本概念…
-
数据挖掘
Bias-Variance trade-off 启发式参数优化算法举例 参数寻优：梯度下降/牛顿下降法 追根溯源 频繁项集算法分析 并查集算法及其在约束传递中的应用 Floyd解决…
-
Android第三方库检测
本次报告主要讲述了Android第三方库检测的相关内容。介绍了第三方库的基本概念和相关研究，解释了第三方库检测的基本方法，详细讲解其中的相似性对比方法，主要针对库检测和库版本识别进…
-
主动学习在医学图像分析中的应用
主动学习也叫做询问学习或最佳实验设计，它是机器学的分支，更人工智能。主要的假设是是否学习算法是可以去选择先要…
