聯邦學習（Federated Learning）是一種新興的人工智能基礎技術，其設計目標是在保障大數據交換時的信息安全、保護終端數據和個人數據隱私、保證合法合規的前提下，在多參與方或多計算結點之間開展高效率的機器學習。其中，聯邦學習可使用的機器學習算法不侷限於神經網絡，還包括隨機森林等重要算法。聯邦學習有望成為下一代人工智能協同算法和協作網絡的基礎。
聯邦學習分為橫向聯邦學習（horizontal federated learning）、縱向聯邦學習（vertical federated learning）與聯邦遷移學習（Federated Transfer Learning，FmL）
橫向聯邦學習簡單說就是分公司模式，北京分公司和上海分公司業務數據基本相同，但是員工不同，反映了不同的用戶維度，取出雙方用戶特徵相同而用戶不完全相同的那部分數據進行訓練。
縱向聯邦學習則是屬於集團公司模式，旗下有多家業務不同的分公司，反應了不同的數據維度，取出雙方用戶相同而用戶特徵不完全相同的那部分數據進行訓練。
聯邦遷移學習不同行業的公司模式，用戶維度和特徵維度都不同，比如美甲店和健身俱樂部針對的用戶和特徵維度完全不沾邊，但是我們需要聚合這兩家公司的數據構建分析模型，就必須引入遷移學習，來解決單邊數據規模小和標籤樣本少的問題，從而提升模型的效果。
本質上來講聯邦學習是一種數據聚合的方法，可以把不同類型、特徵的數據有效聚合起來形成為同一個目標來服務，聯邦其實就是聯合的意思。
分享到:
閱讀更多 老郭講算法 的文章
