[Security] Federated learning

 

字节跳动在联邦学习领域的探索及实践

数据是人工智能时代的石油，但是由于监管法规和商业机密等因素限制，"数据孤岛"现象越来越明显。联邦学习（Federated Learning）是一种新的机器学习范式，它让多个参与者可以在不泄露明文数据的前提下，用多方的数据共同训练模型，实现数据可用不可见。

究其本质，联邦学习最重要的就是保护数据的可用而不可见，也就是数据的隐私保护，其研究有如下方面：

一是基于差分隐私的数据保护；

二是基于秘密共享的加密计算方法；

三是基于同态加密的加密计算方法。

 

FATE (Federated AI Technology Enabler) 是全球首个联邦学习工业级开源框架

1 FATE: https://github.com/FederatedAI/FATE star: 3.6k

2 PySyft：https://github.com/OpenMined/PySyft star: 7.7k

 

 

https://gitee.com/helenclaudia/Practicing-Federated-Learning/tree/main/chapter10_Computer_Vision

 

学习列表：

联邦学习：技术角度的讲解（中文）Introduction to Federated Learning

一刻talks |吴嫣雯：联邦学习如何帮助数据更安全

杨强 | 用户隐私，数据孤岛和联邦学习

杨强 联邦学习的最新进展 Advance in Federated Learning

刘洋丨联邦学习的技术挑战和应用展望

FedML MLOps

FedML联邦机器学习框架视频教学全集-第1期-Overview of FedML

 

 

https://github.com/FederatedAI