联邦学习（Federated learning）

1.communication-efficient algorithms

parallel gradient descent


Federated Averaging Algorithm


比较


（epoch相当于计算量）
结论：FedAvg减少了通信量，增加了计算量

2.defense against privacy leakage

用梯度可以反推数据信息

加噪音之后，收敛速度和准确度会下降
工业界可能不允许

3.adversial robustness

叛徒可能会发错误节点和信息发送服务器

作者上传的课件：链接：https://pan.baidu.com/s/14QoIu4h6skC-11xL9wcOxg
提取码：zb26

版权声明：本文为20189223cjt原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://www.cnblogs.com/20189223cjt/p/12469569.html