学习目标：
- 联邦学习目前面临的挑战以及解决方案
学习内容：
联邦学习是一种新兴的人工智能基础技术，它在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。然而，联邦学习也面临着一些挑战和问题。
- 隐私与安全：模型训练和应用过程中的隐私泄露是当下阻碍人工智能技术发展的主要难题。联邦学习作为一种高效的隐私保护手段虽然可以在不直接获取数据源的基础上，通过参与方的本地训练与参数传递，训练出一个无损的学习模型；但联邦学习中也存在较多的安全隐患，主要的安全威胁有投毒攻击、对抗攻击以及隐私泄露等。
- 通信效率：机器学习算法，特别是复杂的深度学习算法，在训练的过程中需要训练大量的参数，比如CNN可能需要训练上百万个参数，每一次更新过程需要更新上百万个参数；其次，网络通信的状态也可能导致很高的通信成本，比如不稳定的网络情况、参数上传和下载的过程中速度不一致都会导致整个算法的模型训练成本过大。
- 异构性：在联邦学习系统中，另一大问题就是众多客户端设备之间的异构性，包括存储、CPU计算能力、网络传输等多个方面的差异，这些异构性使得设备的计算时间不同，甚至导致个别设备直接掉线。同时，联邦学习中数据也存在一定的异构性，联邦学习中的设备经常以非独立同分布的方式在网络中生成和收集数据，例如，移动端的用户在进行输入法下一单词预测的任务时，使用不同的语言会导致数据异构问题。此外，跨设备的数据持有方持有的数据数量很可能分布不均匀。因此，许多常见的针对独立同分布数据假设的优化算法对于联邦学习来说都是不适用的。
- 个性化联邦学习：为了应对数据的Non-IID分布带来的挑战，一种有效的方法是在设备、数据和模型上进行个性化处理，以减轻异构性并为每个设备获得高质量的个性化模型。
- 自动化AutoFL：AutoML（Automated machine
learning）是将机器学习应用于现实问题的end-to-end流程自动化的过程。在典型的机器学习应用程序中，从业者必须应用适当的数据预处理，特征工程，特征提取和特征选择方法，使数据集适合机器学习。 - 数据价值评估和激励机制：联邦学习的商业落地过程中，除了数据隐私的考虑之外，为联邦学习的参与者提供充足的激励也是必不可少的。针对上述的问题，我们需要设计一种机制，来对数据和模型分配优化等问题进行评估和激励。