联邦学习（Federated Learning）是人工智能的一个新的分支，这项技术是谷歌于2016年首次提出，本篇论文第一次描述了这个概念！
可信联邦学习 (Trustworthy federated learning) 是一种增强型的联邦学习，它除了保证原始数据的隐私安全和模型的可证安全，还保证学习过程的高效率和模型的可用性，模型决策机制的可解释性、及模型的可溯源和审计监管。为...
2019年初，微众银行开源了全球首个工业级联邦学习框架FATE（Federated AI Technology Enabler），大幅降低联邦学习的应用门槛。
来源：DeepHub IMBA本文约2200字，建议阅读5分钟本文讨论分布式学习和联邦学习的主要原理以及它们是如何工作的。在这篇文章中，我们将讨论分布式学习和联邦学习的主要原理以及它们是如何工作的。首先，我们从一个简单的单机...
明敏 衡宇 发自 凹非寺量子位 | 公众号 QbitAI刚刚，KDD 2022所有奖项正式对外公布！作为数据挖掘、知识发现领域的最高学术会议，每年KDD奖项花落谁家都会引发学界热烈讨论。今年，中国团队的表现依旧令人瞩目。清华裘捷中获...
2016年是人工智能（ArtificiaIntelligence，AI）成熟的一年。随着AlphaGo击败人类顶级围棋手，我们真正见证了人工智能的巨大潜力，并开始期待更复杂、更尖端的人工智能技术可以应用在更多的领域，包括无人驾驶、生物医疗、金融等...
近年来，在全社会对隐私保护日益重视的背景下，联邦学习的研究和应用得到了长足发展。这一进步很大程度上得益于联邦学习框架及算法库的支持。当前，这类框架对联邦学习中各个参与方的通信、计算图的描述和拆分调度、模型的...
机器之心发布机器之心编辑部8 月 18 日，全球数据挖掘领域顶级会议 KDD 2022 大奖公布，阿里巴巴达摩院团队斩获应用科学方向“最佳论文奖”，这是中国企业首次获得该重磅奖项。KDD（ACM SIGKDD）是数据挖掘领域历史最悠久、规...
机器之心原创作者：张倩为训练数据建一个TB级计算「飞地」，联邦学习的靠谱实现方式了解一下？2017 年，著名杂志《经济学人》发表封面文章称，数据已经取代石油成为当今世界最有价值的资源。在那之后，「数据是新时代的『石油』...
联邦学习（federated learning，FL）是指在保护数据隐私的前提下实现分布式多数据源模型训练的学习范式。由于各个数据源的统计异质性在现实场景下广泛存在，同时统计异质性也给联邦学习下合作式的模型学习带来了负面影响，甚至...
