导图社区 联邦学习应用场景
这是一篇关于联邦学习应用场景的思维导图,主要内容包括:学习分类,学习模型。梳理了联邦学习的分类方式以及其在不同类型数据上的应用场景,有助于理解联邦学习在不同模式、结构和数据类型下的应用特点和适用范围。
这是一篇关于案例包装的思维导图,主要内容包括:好处,案例打造要包含四个方面,一个案例到底都有哪些使用场景,行业内图文案例常用方式六步组成法,PPT案例,视频案例。
这是一篇关于个人投资的思维导图,主要内容包括:普通投资者的优势,投资反直觉(成功),不要因为自己的经历去对某一种 资产有特殊偏好。
这是一篇关于跟贾伟学设计的思维导图,主要内容包括:01.三条铁律:什么是真正的好设计,02.用户视角:设计应该从哪开始,03.用户场景:比你想象的更大,04.用户共创:谁比设计师更有创意,05.用户服务:怎么让人更舒服,06.用户体验:好体验有标准吗,07.最简模型:你能完成一个新设计吗,08.设计与蒸汽革命:怎么跟上机器的节奏。
社区模板帮助中心,点此进入>>
论语孔子简单思维导图
《傅雷家书》思维导图
《童年》读书笔记
《茶馆》思维导图
《朝花夕拾》篇目思维导图
《昆虫记》思维导图
《安徒生童话》思维导图
《鲁滨逊漂流记》读书笔记
《这样读书就够了》读书笔记
妈妈必读:一张0-1岁孩子认知发展的精确时间表
联邦学习应用场景
学习分类
按数据本部模式
横向学习
是一个样本联合
适用对象
机构间业态相同
但触达客户不同
特征
特征重叠多
用户重叠少
例:
医院
数据维度基本一致
但分别有自己不同的病人(样本有限)
银行
业务相似
用户不同
纵向联邦学习
本质是特征的联合
各参与机构间用户重叠多
特征重叠少
用户重叠多
同一地区银行、电商公司、运营商
包含区域的大多数居民
用户收支行为
电子商务
用户购买行为
运营
未知数据
基于以上
型成信用等级评估
做法
三方数据做回归模型
按拓扑结构
星型结构
特性
参与者通过点到点方式连接到一个中央节点上
中央节点作为协调者与公信方向节点传送信息
中英节点执行通信控制策略
任何两个节点通信 都要经过中央节点
1、控制简单
2、故障诊断与隔离都很容易
3、较适用于小型网络
缺点
对中心节点依赖太大
会随着网络规模扩大协调成本线性增长
目前大部分联邦学习是基于此进行部署
环形结构
没有中心节点
通过环将第一个节点连接在一起
能保证各节点发送的信号被环上所有节点看到
实现简单
网络条件要求低
场景有限
复杂的协同任务无法实现
网络中任何部件的损坏都将导致系统出现故障
目前有一种新玩法:高级结构环形
点对点
去中心化
网络之间各方对等地位
相同功能
无主次之分
都可以发起建模和推理研究
优势:
1、不需要中央节点
2、易于扩展,不受结构限制
3、参悟方资源与算例方不会有太大差别,利用率较高
因为引入了很大的计算和通讯成本,所以对结构性设计要求很高。
较适用于大型网络
按模型精度
无损联邦学习
可以保证虚拟数据融合生成的全局模型完全等效于数据汇总后的模型
模型数据 和性能等各方面
常用的机器学习算法中基本已经做到无损联邦学习
近似联邦学习
保证通过虚拟数据融合生成的全局在模型的某些性能上和数据汇总后的模型相关
比如预估精度
学习结果有损的原因
1、学习模型融合过程中没有采用严格的梯度交换进行模型迭代,而是直接在本地各自训练,然后再将参数加权平均
可以得到比较精确的近似结果
2、加入了其它隐私计算案例保障技术,会造成不完全精准。
比如同态加密在做同态乘法规约时会造成计算误差。
近似学习在实际中,会根据需求在安全性、准确性、计算性能等做一定平衡
学习模型
结构化数据
范围
分类分析
回归预测分析
若干个特征变量
一个预测变量
常用算法
感知器
逻辑加归
多元线性回归
随机森林
朴素贝叶斯
支持向量机
非结构化数据
自然语言处理(NLP)
语音识别
深度学习
基因数据
疾病相关的SNPs
帮助进行疾病诊断和预防
经过处理也可转化为结构化数据
利用一系列统计学方法进行分析研究
不同医疗机构或部门
提供共同患者基因或其它健康指标数据源
联合模型训练
图像数据
图像搜索
产品识别
自动驾驶
安防
在联邦学习一般采用水平台分割的方式
在多模态场景理论上也支持垂直分割