有关于联邦学习

粗泛地讲

所谓的联邦学习，不可客观地来说，其本质就是我们通俗意义上的数据增强，也就是增加模型的训练数据。

只不过在现实场景下，很多这些训练数据都是分散在不同设备上的。鉴于一些隐私、安全问题，我们很难直接将这些不同设备上的训练数据收集起来。

比方说，不同移动设备上的用户数据，如果直接全部上传到云端，再去训练一个模型，会导致用户隐私泄露。

正是考虑到了训练数据的不可共享性（数据孤岛），才诞生了联邦学习的思想。

具体来讲

具体来讲联邦学习有三种类型

1. 横向联邦 (数据增强)

数据的样本类型（特征）一致，但是样本实例不同。比方说，如下图，不同用户的同一类型数据。

说人话，其实就是通俗意义上的样本数据增强，增加同类型的训练样本数量。

2. 纵向联邦 (特征增强)

样本数据来源相同，但是样本类型特征不同。比方说，如下图，同一个用户的不同类型特征（共享标签）。

换句话说，其实就是通俗意义上的样本特征增强，增加同一个样本的特征数量。

3. 迁移联邦

迁移学习 + 联邦学习

适用于，不同设备上的样本，样本源和特征都没有重叠的情况 (比方说，用户也没有相同的，特征也没有重合的)。

这时就利用了迁移学习，即现在一个设备上的样本预训练。具体这里不过多展开。

---

这里附上一篇不错的博客：
一篇文章读懂联邦学习

其他参考：

• 综述：《联邦学习：概念与应用》
• 详解联邦学习Federated Learning