《IEEE Guide for Architectural Framework and Application of Federated Machine Learning》[1]是IEEE发布的国际首个联邦(机器)学习框架标准。 联邦学习 联邦(机器)学习(Federated Machine Learning, FML)是分布式(机器)学习的一种,其使多节点参与模型训练、模型使用,最典型的好处有使参与节点的安全性得到保护。本文旨...
联邦学习(Federated Learning)是一种加密的分布式机器学习新范式,可以让各参与方在数据不出本地的情况下进行AI协作,实现“价值共建而数据不共享”,提升各自的AI模型效果,是解决现阶段各行业AI落地中的“数据孤岛”与“数据隐私保护”两大行业痛点行之有效的解决方案。在国内,这一技术方向由微众银行首次提出,并且通过开...
最近1个多月内出现了一个可能对后续人工智能行业有着深远影响的事件,现在这件事件还没有发酵起来,是因为联邦学习还没有真正步入企业生产行列。这个事件就是IEEE批准了国际首个联邦机器学习框架标准。《IEEE Approved Draft Guide for Architectural Framework and Application of Federated Machine Learning》 这个标准的介...
以多方安全计算(Secure Multi-Party Computation, SMPC)和联邦学习(Federated Learning, FL)为例,SMPC以密码学为基础,通过加密状态下的多轮通信共同计算一个约定好的任务,而不泄露彼此的隐私信息。FL基于分布式机器学习,在不交换各数据方本地数据的条件下,仅通过交换本地数据的模型信息构建基于全体数据样本的全局模型。
以多方安全计算(Secure Multi-Party Computation, SMPC)和联邦学习(Federated Learning, FL)为例,SMPC以密码学为基础,通过加密状态下的多轮通信共同计算一个约定好的任务,而不泄露彼此的隐私信息。FL基于分布式机器学习,在不交换各数据方本地数据的条件下,仅通过交换本地数据的模型信息构建基于全体数据样本的全局模型...
此外,以IEEE P2986为基础,更加聚焦联邦学习的可信赖、可解释、可优化、可监管的可信联邦学习标准IEEE P3187(Guide for Framework for Trustworthy Federated Machine Learning)也已完成初步审核。该标准提出了可信联邦学习的框架和特性,对实现这些特性做了具体约束,并对实现可信联邦学习的方案进行了介绍。
IEEE Guide for Architectural Framework and Application of Federated Machine Learningdoi:IEEE 3652.1-2020联邦学习定义了一个机器学习框架,允许从分布在数据所有者之间的数据构建一个集体模型.本指南提供了跨组织的数据使用和模型构建蓝图,同时满足适用的隐私,安全和监管要求.它定义了联邦机器学习的体系结构框架和应用...
Purpose The purpose of this standard is to define mechanisms which enable interoperability between different privacy-preserving computation platforms, including trusted execution environment, federated machine learning, and secure multiparty computation to facilitate data circulation and data value exchange. Priva...
This is an unapproved IEEE Standards Draft, subject to change P3652.1™/D6.1 1 Draft Guide for Architectural 2 Framework and Application of 3 Federated Machine Learning 4 Sponsor 5 Learning Technology Standards Committee 6 of the 7 IEEE Computer Society 8 https://sagroups.ieee.org/ltsc/ 9...
Federated Cloud/Edge Systems for Distributed Machine Learning in Pervasive AI Applications by Yuejin Li, Kai Hwang, Kefan Shuai, Zheng dao Li, Albert Zomaya,IEEE Trans. on Cloud Computing, accepted June 14, 2022. 文章...