联邦学习与分布式学习的区别
·
联邦学习问题：
我们的目标是在设备生成的数据被本地存储和处理的约束下学习这个模型，而只有中间更新周期性与中央服务器进行通信。
一、联邦学习与分布式学习的区别
1.用户对自己的设备和数据有绝对的控制权，可以随时让自己的设备停止参与计算与通信；
2.worked node是不稳定的设备；
3.通信代价远大于计算代价；
4.联邦学习的数据不是独立同分布的；
5.联邦学习的节点负载不平衡。
二、联邦学习研究点
1.算法的效率；
2.保护隐私；
3.鲁棒性（拜占庭将军问题）。
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
2
0- 0
已为社区贡献4条内容
所有评论(0)