這邊我會跟著大家說明我是如何進入聯邦學習

前言

我會進入聯邦學習領域，主要是我學習分散式架構的時候，發現這是一個還不錯的領域很有趣的，同時未來5G世代在IOT也會有重大的相關發展，現在跳入正式一個不錯的時間點。

P1 為技術方法簡介，P2 則為技術實際演練

介紹

Federated Learning is privacy-preserving model training in heterogeneous, distributed networks(Decenter).

聯邦學習(Federate Learning)為一種新興的機器學習架構。

統計問題以及資料隱匿性，傳輸效能，三個部分是目前Federate Learning 研究的方向。

而本文會對其的前世今身以及未來展望去做說明。

因為3c時代divice的效能越來越強大，可以提供很個人的計算或是推薦，所以科學家就做了許多實驗。

Privacy ML + 去中心化+分散式系統 =>>> 聯邦學習就產生

• 聯邦學習分成三種

1. 縱向:用戶資料多

2. 橫向:類別資料多

3. 遷移 (類似oneshotlearning )

• 運用

資料隱匿性: 私人用戶資料該如何訓練模型並且上傳雲端

統計: Local device 大大提高了模型更個人化

傳輸效能:目前現有的架構就會

• 統計類別問題

1. 非常態分布資料(NoneIID):不同的設備的效能不一樣，所以每個設備獲取的資料量也會不一樣(ex i6 跟i13每秒能處理的數據量不一樣，所以拿到的數據當然會有差別嘍)

2. 不同樣的模型如何可以提高ACC

• 傳輸問題

1. 資料或是模型過於巨大連帶會造成，傳輸效率下降

• 資料隱匿性

1. 測漏問題:我們該如何去知道資料的是具有秘密的

2. 加密問題Hash():如何去加密

• 模型應用

這邊就很廣了CV，NLP，RecSYS ，Hardware ... 還有好多可以等待我們去慢慢發覺。

結論

未來會想要深入在統計類以及模型部分以及應用，下一篇我將會講解FED最時常會使用到的演算法 Avg方法。