联邦学习

Java 大视界 -- 基于 Java 的大数据隐私计算在医疗影像数据共享中的实践探索亲爱的 Java 和大数据爱好者们，大家好！在科技蓬勃发展的当下，数字技术以磅礴之势重塑着各个行业的格局。长期以来，我们专注于挖掘 Java 大数据技术的潜力，推动其在多个领域实现创新突破。

隐私计算技术全景：从联邦学习到可信执行环境的实战指南—数据安全——隐私计算联邦学习多方安全计算可信执行环境差分隐私在深入技术细节前，必须先澄清两个容易混淆的概念：并非对立，而是互补：融合应用：本章聚焦隐私计算，但在6.4节会详细介绍TEE（可信执行环境），因为：

【数据保护】一种安全高效的全匿踪纵向联邦学习方法论文：一种安全高效的全匿踪纵向联邦学习方法最近在做一些企业级大模型应用落地的场景，接受到企业最多的顾虑就是数据安全，今天偶然看到一篇很有意思的文章，讨论的是全流程数据不泄露的范式，是24年发表在信息安全研究期刊的一篇论文，作者主要来自国内隐私计算头部企业以及中国电子口岸、上海海关科技处。

联邦学习论文分享：Towards Building the Federated GPT:Federated Instruction Tuning现有问题指令微调（instruction tuning）的 LLMs（如 ChatGPT、GPT-4）需要大量高质量、多样化的指令数据。

胡乱编胡乱赢

联邦学习之----联邦批量归一化（FedBN）联邦批量归一化（FedBN）是一种联邦学习客户端本地模型优化算法。它的核心思想是：在联邦学习的客户端本地训练过程中，保留并独立更新批量归一化层（Batch Normalization, BN）的参数，而不将这些参数上传到服务器进行聚合。

胡乱编胡乱赢

区块链联邦学习思路一联邦学习（FL）因为其“数据可用不可见”的特点，既满足了隐私保护要求，也符合现代人工智能的发展方向。尽管联邦学习在计算机界越来越受欢迎，但是在模型训练过程中，客户端上传的参数和服务器下发的参数，依然存在攻击问题，例如：中间人攻击窃取参数迫使参数成为纂改参数。参与训练的客户端也有恶意用户，我们对此还要付出更多的通信代价预防该问题。

任务调度和安全如何结合差分隐私集成：在状态反馈（如资源利用率、任务进度）中加入拉普拉斯噪声，防止通过调度模式反推用户行为。修改奖励计算为：

论文_基于联邦增量学习的SND环境下DDos攻击检测模型Non-IID分布问题：不同主机实体能够接收的数据报文各不相同,这使得不同实体之间将会产生数据的统计性异构问题

Java 大视界 -- 基于 Java 的大数据隐私保护在金融客户信息管理中的实践与挑战（178）💖亲爱的朋友们，热烈欢迎来到青云交的博客！能与诸位在此相逢，我倍感荣幸。在这飞速更迭的时代，我们都渴望一方心灵净土，而我的博客正是这样温暖的所在。这里为你呈上趣味与实用兼具的知识，也期待你毫无保留地分享独特见解，愿我们于此携手成长，共赴新程！💖

联邦学习（Federated Learning）联邦学习（Federated Learning, FL）是一种分布式机器学习技术，它允许多个参与方（如设备、机构或企业）在不共享原始数据的情况下协同训练机器学习模型。联邦学习通过本地计算+模型参数聚合的方式，保护数据隐私的同时，实现跨数据源的联合建模。

联邦学习：去中心化数据下的深度网络优化摘要：本文分析《Communication-Efficient Learning of Deep Networks from Decentralized Data》，聚焦联邦学习在去中心化数据中的通信优化，探讨高效训练深度网络与数据隐私保护的方法。这不仅为AI与安全应用奠基，还为未来与区块链的融合提供潜力，建设去中心化的安全模型。

Java 大视界 -- Java 大数据在智能安防入侵检测与行为分析中的应用（108）💖亲爱的朋友们，热烈欢迎来到青云交的博客！能与诸位在此相逢，我倍感荣幸。在这飞速更迭的时代，我们都渴望一方心灵净土，而我的博客正是这样温暖的所在。这里为你呈上趣味与实用兼具的知识，也期待你毫无保留地分享独特见解，愿我们于此携手成长，共赴新程！💖

十大主流联邦学习框架：技术特性、架构分析与对比研究联邦学习（Federated Learning，FL）作为机器学习领域的关键技术范式，实现了在保障数据隐私的前提下进行分布式模型训练。

Practical Secure Aggregation for Privacy-Preserving Machine Learning本文是谷歌团队发在CCS2017上的文章，旨在解决联邦学习中安全聚合的问题。安全聚合：多方参与者将信息传递给聚合者，聚合者除了知道这个信息的总和不能知道任何一个特定参与者的信息。

一文快速预览经典深度学习模型（二）——迁移学习、半监督学习、图神经网络（GNN）、联邦学习Hi，大家好，我是半亩花海。本文主要简要并通俗地介绍了几种经典的深度学习模型，如迁移学习（Transfer Learning, TL）、半监督学习（Semi-supervised Learning, SSL）、图神经网络（Graph Neural Networks, GNN）、联邦学习（Federated Learning, FL）等，便于大家初探深度学习的相关知识，并更好地理解深度学习的基础内容，为后续科研开展建立一定的基础，欢迎大家一起交流学习。

联邦学习防止数据泄露联邦学习 (Federated Learning) 是一种分布式机器学习技术，旨在解决数据隐私保护问题。它允许在分散的数据源上进行模型训练，而无需将数据集中到中央服务器。因此，联邦学习可以有效地防止训练过程中的数据泄露，并提高数据隐私安全性。

多喝开水少熬夜

FedGraph: Federated Graph Learning With Intelligent Sampling论文阅读联邦学习因其在分布式机器学习中的隐私保护而引起了研究的广泛关注。然而，现有的联邦学习工作主要集中在卷积神经网络（CNN）上，它不能有效地处理在许多应用中流行的图数据。图卷积网络（GCN）被认为是最有前途的图学习技术之一，但其联邦设置很少被探索。在本文中，我们提出了用于多个计算客户端之间的联邦图学习的联邦图，每个计算客户端都包含一个子图。FedGraph通过解决两个独特的挑战，为跨客户端提供了强大的图形学习能力。首先，传统的GCN训练需要在客户之间进行特征数据共享，从而导致隐私泄露的风险。FedGraph使

联邦学习开山之作Communication-Efficient Learning of Deep Networks from Decentralized Data越来越多的手机和平板电脑成为许多人的主要计算设备。这些设备上强大的传感器（包括摄像头、麦克风和GPS），加上它们经常被携带的事实，意味着它们可以访问前所未有的大量数据，其中大部分本质上是私人的。根据这些数据学习的模型持有承诺通过支持更智能的应用程序来大大提高可用性，但数据的敏感性意味着将其存储在集中位置存在风险和责任。

隐语隐私计算实训营「联邦学习」第 3 课：隐语架构概览【隐私计算实训营】是蚂蚁集团隐语开源社区出品的线上课程，自实训营上线以来，获得行业内外广泛关注，吸引上千余名开发者报名参与。本次暑期夏令营课程中，除了最新上线的「联邦学习系列」，还包含了「隐私保护数据分析」和「隐私保护机器学习」，主题，小伙伴们可以根据需求自由选择报名期待和大家共同探索隐私计算的前沿技术！隐私计算实训营「机器学习」：隐私计算实训营「机器学习」隐私计算实训营「联邦学习」：隐私计算实训营「联邦学习」隐私计算实训营「数据分析」：隐私计算实训营「数据分析」

FATE Flow 源码解析 - 日志输出机制在之前的文章中介绍了 FATE 的作业处理流程，在实际的使用过程中，为了查找执行中的异常，需要借助运行生成的日志，但是 FATE-Flow 包含的流程比较复杂，对应的日志也很多，而且分散在不同的文件中，在这篇文章中就对 FATE-Flow 的日志机制进行梳理，帮助大家了解 Python 服务中实现一个更加灵活的日志机制