计算机应用

作者：梁天恺, 曾碧, 陈光

单位：1.广州广电运通金融电子股份有限公司 研究总院，广州 510006；2.广东工业大学 计算机学院，广州 510006

关键词：联邦学习,隐私保护,横向联邦学习,纵向联邦学习,联邦迁移学习,开源框架

基金：国家自然科学基金资助项目(61672169);广东省自然科学基金资助项目(2021A1515012233)

在强调数据确权以及隐私保护的时代背景下，联邦学习作为一种新的机器学习范式，能够在不暴露各方数据的前提下达到解决数据孤岛以及隐私保护问题的目的。目前，基于联邦学习的建模方法已成为主流并且获得了很好的效果，因此对联邦学习的概念、技术、应用和挑战进行总结与分析具有重要的意义。首先，阐述了机器学习的发展历程以及联邦学习出现的必然性，并给出联邦学习的定义与分类；其次，介绍并分析了目前业界认可的三种联邦学习方法：横向联邦学习、纵向联邦学习和联邦迁移学习；然后，针对联邦学习的隐私保护问题，归纳并总结了目前常见的隐私保护技术；此外，还对联邦学习的现有主流开源框架进行了介绍与对比，同时给出了联邦学习的应用场景；最后，展望了联邦学习所面临的挑战和未来的研究方向。

来源：2022年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2022年第12期