知识卡片
联邦学习流程
联邦学习面向手机等小型设备:设备先下载云端的共享模型,用本地历史数据训练更新;再把更新抽取成小文件,只将模型的差异部分加密上传;云端把各用户的差异模型平均后,改进共享模型。这样既聚合了大量边缘设备的数据和算力,原始数据又不必集中上传。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
原书出处
参考来源
- 位置:《分布式人工智能:基于TensorFlow、RTOS与群体智能体系》第1章《分布式系统简介》(源文件:_epub-src/OEBPS/Text/chapter1-7-3.xhtml)
- 结论依据:原文介绍Google联邦联合学习原理:小型设备下载云端共享模型,用户用自己的历史数据训练更新,抽取为小的更新文件,提取模型差异化部分加密上传,云端将差异化模型与其他用户模型平均化后更新共享模型;好处是聚合边缘设备的数据和计算能力。
- 原始内容:(1)在手机或者其他小型设备中下载云端的共享模型。……(4)提取模型的差异化部分进行加密,并上传到云端。……(5)在云端将新用户的差异化模型和其他用户模型进行平均化,然后更新改善现有共享模型。