×

面向联邦学习的分布式与隐私安全性综述

消耗积分:0 | 格式:pdf | 大小:0.77 MB | 2021-04-29

分享资料个

　　联邦茡习是一种保证数据隐私安全的分布式机器学习方案。与传统的机器学习的可解释性问题类似，如何对联邦学习进行解释是一个新的挑战。文中面向联邦学习方法的分布式与隐私安全性的特性，探讨联邦学习的可视化框架设计。传统的可视化任务需要使用大量的数据，而联邦学习的隐私性决定了其无法获取用户数据。因此，可用的数据主要来自服务器端的训练过程，包括服务器端模型参数和用户训练状态。基于对联邦学习可解释性的挑战的分析，文中综合考虑用户、服务器端和联邦学习模型3个方面设计可视化框架，其包括经典联邦学习模型、数据中心、数据处理和可视分析4个模块。最后，介绍并分析了2个已有的可视化案例，对未来通用的联邦学习可视分析方法提出了展望。

下载并关注上传者 开通VIP，低至0.08元下载/次

声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉

评论(0)
发评论

下载排行榜

全部0条评论

快来发表一下你的评论吧 !