- 1、本文档内容版权归属内容提供方,所产生的收益全部归内容提供方所有。如果您对本文有版权争议,可选择认领,认领后既往收益都归您。。
- 2、本文档由用户上传,本站不保证质量和数量令人满意,可能有诸多瑕疵,付费之前,请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形,可联系本站下载客服投诉处理。
- 3、文档侵权举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
联邦学习作为一种破解数据孤岛和隐私保护两难困境的机器学习新范式,可在无
需上传本地原始数据的前提下协调各方交换模型参数来实现模型聚合训练,目前已在
诸多实际应用领域中取得了显著效益。在这种多方协作的框架中,全局模型的有效性
在很大程度上取决于各参与方的数据质量。然而,由于联邦学习隐私保护特性和参与
方异质性的制约影响,各方之间存在较大的贡献差异且难以进行精确评估。因此,在
不同联邦学习应用场景中,研究和设计能够准确评估各个参与方致力于全局模型训练
的贡献,并依据贡
文档评论(0)