微众银行+杨强教授团队的联邦学习FATE框架代码：https://github.com/WeBankFinTech/FATE
谷歌联邦迁移学习TensorFlow Federated （TFF）框架代码：
https://www.tensorflow.org/federated/
与杨强教授合影
联邦迁移学习能解决的问题？
数据隔离。
因权限不同，导致不同部门或者不同企业间的数据都是以孤岛的形式存在。
少标签数据。
数据量不足或者数据包含的信息不全。
传输过程隐私安全。
由于条款、利益等的原因导致共享的知识必须加密。
安全性---利用同态加密HE技术解决隐私性---利用差分隐私DP技术解决
同态加密示意图
差分隐私：
差分隐私宗旨：在查询的结果上加满足某种分布的噪音，使查询结果随机化
•拉普拉斯机制，适用于数值型输出
•指数机制，适用于非数值型输出
联邦学习示意图
联邦学习分类：
横向联邦模型：用户特征一致，用户不一致
纵向联邦模型：用户一致，用户特征不一致
联邦迁移学习：用户，用户特征均不一致
谷歌联邦学习框架：
谷歌的联邦学习是为了应对GDRP联盟标准为应用的策略算法，侧重点是：算法对用户的隐私保护。
微众银行与杨强教授的联邦学习框架
侧重点是：解决小数据问题，同时保护用户的隐私。
标签：杨强,学习,用户,---,隐私,联邦 来源： https://blog.csdn.net/sinat_22510827/article/details/118357221
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。