Google 开放的联邦学习算法,使得移动端分布式机器学习成为现实;AI 算法分布在大规模的移动端,协同输出一个学习模型,而不必上传用户本地数据。Google 的研究团队克服许多算法和研究挑战,使联邦学习成为可能。诸如随机梯度下降(SGD)之类的优化算法(通常在许多机器学习系统中使用)在大型数据集上运行。在移动端特定环境中,数据以高度异构的方式分布在数百万个移动和蜂窝设备上,这些设备具有明显更高延迟,更低吞吐量的连接,并且只能间歇性地用于训练。这一切都依赖于联邦学习(FL)方法,联邦是一种分布式机器学习方法,可以对保存在移动电话等设备上的大量分散数据进行训练,是“将代码引入数据,而不是将数据引入代码”的更加通用化的一个实现,并解决了关于隐私、所有权和数据位臵等基本问题。
Google 开放的联邦学习算法,使得移动端分布式机器学习成为现实;AI 算法分布在大规模的移动端,协同输出一个学习模型,而不必上传用户本地数据。Google 的研究团队克服许多算法和研究挑战,使联邦学习成为可能。诸如随机梯度下降(SGD)之类的优化算法(通常在许多机器学习系统中使用)在大型数据集上运行。在移动端特定环境中,数据以高度异构的方式分布在数百万个移动和蜂窝设备上,这些设备具有明显更高延迟,更低吞吐量的连接,并且只能间歇性地用于训练。这一切都依赖于联邦学习(FL)方法,联邦是一种分布式机器学习方法,可以对保存在移动电话等设备上的大量分散数据进行训练,是“将代码引入数据,而不是将数据引入代码”的更加通用化的一个实现,并解决了关于隐私、所有权和数据位臵等基本问题。