标签:部署流程 显示 程序 mit 数据集 政府 nic app 数据分布
We term our approach Federated Learning, since the learning task is solved by a loose federation of participating devices (which we refer to as clients) which are coordinated by a central server.
分类 | 跨孤岛 | 跨设备 |
---|---|---|
例子 | 医疗机构 | 手机端应用 |
节点数量 | 1~100 | \(1-10^{10}\) |
节点状态 | 几乎稳定运行 | 大部分结点不在线 |
主要瓶颈 | 计算瓶颈和通信瓶颈 | WiFi速度、设备不在线 |
Yang分类 | 横向/纵向 | 横向 |
联邦优化:Federated Optimization, 隐含在联邦学习中的优化问题
与传统的分布式优化问题相比的特点:
分布式训练 | 联邦学习 | |
---|---|---|
数据分布 | 集中存储不固定,可以任意打乱、平衡地分配给所有客户端 | 分散存储且固定,数据无法互通、可能存在数据的Non-IID(非独立同分布) |
节点数量 | 1~1000 | \(1-10^{10}\) |
节点状态 | 所有节点稳定运行 | 节点可能不在线 |
决策权 | 工作节点没有决策权,都由中央节点控制 | 本地数据有完全自治权,可以决定何时加入联邦学习 |
标签:部署流程 显示 程序 mit 数据集 政府 nic app 数据分布
原文地址:https://www.cnblogs.com/xuwanwei/p/13130196.html