三者共同组成了训练数据集training dataset(X, Y, I) ,根据联邦学习中不同client上的数据在特征空间(X)和样本ID空间(I)中的分布特征将联邦学习分为横向联邦学习、纵向联邦学习和联邦迁移学习。 1.横向联邦学习(Horizontal Federated Learning) 又被称为基于样本的联邦学习(样本ID在变),“横向”表示数据是横向(按...
纵向联邦学习（Vertical Federated Learning）关注特征的联邦学习，数据在样本ID空间保持一致，但在特征空间分布不同。适用于数据集在用户ID上相似，但在业务特征上有显著差异的情况。如同一地区的银行与电子商务公司数据，用户ID相同但业务特征不同。联邦迁移学习（Federated Transfer Learning）则适用于特征空间...
区别之一在于目标。联邦迁移学习旨在解决异构数据分布和隐私问题，并将知识从一个任务转移到另一个任务。它的主要目标是利用分布式数据提高模型性能和泛化能力。而分布式机器学习的目标则是通过并行计算和数据分发来加速模型的训练和推断过程。此外，两者在方法上也存在差异。联邦迁移学习通常使用一些特定的迁移策略，例如领域...
总结起来,联邦迁移学习和分布式机器学习都是多节点、数据共享的机器学习方法,但各自侧重点与目标存在差异。联邦迁移学习注重解决异构数据和隐私问题,而分布式机器学习则关注计算加速和处理大规模数据。这两种方法的发展和应用将为机器学习领域带来更广阔的前景。 发布于:广东省 平台声明...