Advances and Open Problems in Federated Learning 总结翻译

摘要 联邦学习(FL)是一种机器学习设置,在这种设置中,许多客户(例如移动设备或整个组织)在中央服务 器(例如服务提供商)的协调下协作地训练模型,同时保持训练数据分散。FL体现了集中数据收集和最 小化的原则,可以减轻由于传统的、集中的机器学习和数据科学方法所带来的许多系统隐私风险和成 本。在FL研究爆炸性增长的推动下,本文讨论了近年来的进展,并提出了大量的开放问题和挑战。 MENU1.引言跨设备联邦学习设置联邦学习中模型的生命周期典型的联邦训练过程联邦学习研究组织2. 放宽核心FL假设: 应用到新兴的设置和场景完全的去中心化/端对端分布式学习算法挑战实际挑战跨竖井联合学习3. 提高效率和效果