iT邦幫忙

2022 iThome 鐵人賽

DAY 2
0
Security

區塊鏈與聯邦學習系列 第 2

聯邦學習(Federated Learning)

  • 分享至 

  • xImage
  •  

在聯邦學習(Federated Learning, FL)場景中,機器學習(Machine Learning)模型所有者能夠將他們的模型發送給資料持有者進行訓練。
從高階的角度來看,這個場景是相對安全的;然而,仍有許多安全漏洞及攻擊方式需要解決。

建議的解決方案是使用安全聚合器(Secure Aggregator),通常是自動化程序或程序,作為中間件,聚合所有參與者的訓練模型,然後將更新發送給 ML 模型所有者。

IEEE 聯合學習國際標準(IEEE International Standard for Federated Learning)

  • 聯邦機器學習 (FedML, FL) 是一種伺服器機器學習方法,訓練資料保留在各自的所有者處,而不是集中儲存。
  • 機器學習(ML)模型主要分散在資料持有者之間,資料持有者使用他們的私人資料對其進行訓練,然後將其發送回機器學習(ML)模型所有者。
  • 機器學習(ML)訓練去中心化,允許擁有敏感資料的資料持有者(例如:金融機構)訓練有用的 ML 算法來預測信用風險。

聯邦學習(FL)最早是谷歌在 2016 年推出的機器學習(ML)方法:使用案例(Use Cases) - Gboard

Gboard 是Google提供的移動設備上的虛擬鍵盤,提供多種輸入法,並於輸入中顯示建議的輸入查詢。

  1. 設備被賦予一個通常只有幾兆字節(MegaByte)大小的訓練模型。
  2. 資料在用戶設備上進行訓練。
  3. 設備將參數的加密更新發送(WiFi)到服務器。
  4. 服務器對設備進行分組 對於每個分組,服務器匯總它從該組設備接收到的更新,以對當前模型執行一次更新。
  5. 經過多輪訓練,新的更新模型被發送到設備上進行測試,可有效減少延遲。

上一篇
分散式身份識別(Decentralized Identifiers, DIDs)
下一篇
可容忍防禦和可用性之間的平衡
系列文
區塊鏈與聯邦學習30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言