【联邦学习】联邦学习算法分类总结_十了个九的博客-CSDN博客_联邦学习算法

我们都听过联邦学习分类方法中有：纵向横向和迁移，这是杨强大佬的分类方法，是根据样本重合程度来划分的。

横向联邦学习
机器学习中，特征、标签和样本是最基本的概念，下图展示了特征样本标签之间的关系

横向联邦学习，就是指两个样本集合中样本的特征重合较高，但是样本来源不一样。就比如图中，两个样本集合分别是两家银行的客户。一般银行管理的数据特征都是相似的，但是客户是不同的，这样我们就可以采用横向联邦学习的方式训练模型。

纵向联邦学习
纵向联邦学习是指两个数据集id重合较高（比如上图的姓名，都是一样的人），但是特征不一样，比如一座城市只有一家银行和一家医院，那么银行和医院的样本大概率人员重合度很高，但是特征不一样，银行数据集属性可能是存款、贷款等信息，医院可能是生理指标等。此时如果使用银行和医院的数据集训练模型，我们称之为纵向联邦学习。

联邦迁移学习
如果id和特征重合程度都很少怎么办？此时只能采用联邦迁移学习的办法。联邦迁移学习重点在“迁移学习”。迁移学习，是指利用数据、任务、或模型之间的相似性，将在源领域学习过的模型，应用于目标领域的一种学习过程。这里对迁移学习不做展开。
 

基于机器学习算法的联邦学习分类

常见的机器学习算法诸如回归、随机森林、支持向量机等，这些算法都可以用在联邦学习中。

联邦深度学习，深度学习诸如CNN、LSTM等也可以用联邦学习的方式来实现
 

基于优化方法进行分类
我们都知道，联邦学习的主要问题集中在一下三个方面

● 联邦学习的通信是比较慢速且不稳定的；
● 联邦学习的参与方设备异构，不同设备有不同的运算能力；
● 联邦学习更关注隐私和安全，目前大部分的研究假设参与方和服务器方是可信的，然而在现实生活中，其可能是不可信的。

通俗的讲就三点：通信、数据和设备异质以及加密保护。

那么，我们可以根据这三点来提出不同的联邦学习算法，以解决对应的问题，比如某种算法侧重于解决通信瓶颈问题，而另一种方法则侧重于解决加密问题。