La tecnología de aprendizaje federado se refiere a
Concepto:
El aprendizaje federado es una tecnología de aprendizaje automático que puede entrenar algoritmos en múltiples servidores o dispositivos periféricos distribuidos sin intercambiar muestras de datos.
Desarrollo del aprendizaje federado:
1 y 2017, Google AI introdujo por primera vez el concepto de "aprendizaje federado" en la publicación del blog "Aprendizaje federado: aprendizaje automático colaborativo sin datos de capacitación centralizados".
Desde 2016 hasta octubre, un artículo de investigación innovador publicado por Google sentó las bases para el aprendizaje federado, que analizó en profundidad un nuevo método llamado optimización federada: optimización federada: aprendizaje automático distribuido orientado a la inteligencia de dispositivos.
2. En 2019, Google implementó el primer sistema de aprendizaje federado a nivel de producto. Se entiende que este sistema se basa principalmente en el algoritmo de promedio federado que se ejecuta en teléfonos móviles y puede usarse para monitorear las estadísticas de dispositivos de clúster a gran escala sin registrar datos sin procesar del dispositivo en la nube.
Funciones y ventajas del aprendizaje federado:
Función:
Es probable que la tecnología Blockchain nacida para la protección de la privacidad se integre con el aprendizaje federado, * * * A " Se establecerá una "fortaleza" para la protección de la privacidad de los datos masivos. Blockchain ha atraído la atención de profesionales en diversos campos por sus ventajas de transparencia, distribución y no manipulabilidad. Bajo la ola de nueva infraestructura, blockchain está "lista para funcionar".
La combinación de tecnologías emergentes y desarrollo es una manifestación característica de la era de la economía digital. Como líder de nueva infraestructura, la integración de 5G y blockchain se ha incluido en la agenda y se espera que se convierta en una piedra angular importante de la futura economía digital. El aprendizaje federado y la cadena de bloques tienen enfoques similares y su futura integración y desarrollo es natural.
Ventajas:
El aprendizaje automático tradicional necesita recopilar datos en el centro antes de entrenar el modelo. Durante este proceso, es necesario transmitir y almacenar datos sin procesar. A medida que aumenta la cantidad de datos, el costo relativo aumenta exponencialmente. Al mismo tiempo, una vez que los datos abandonan el dominio, se volverán incontrolables, lo que provocará fugas de privacidad y riesgos de seguridad de los datos.
La tecnología de aprendizaje federado puede construir un ecosistema unificado de aplicaciones de datos de múltiples fuentes con seguridad, eficiencia y cumplimiento de los datos entre múltiples instituciones, lograr el intercambio e integración de datos entre instituciones, y ampliar el tamaño de la muestra y aumentar el número de muestras a través del sistema La dimensión de datos proporciona un fuerte apoyo para la construcción de modelos de alta precisión para aplicaciones de big data, proporcionando así servicios de big data más ricos y de mayor calidad y creando más valor para el desarrollo social.