历史
联邦学习的概念最早由google于17年提出[1]，他们构建了一个横向联邦模型用于提升用户下一步输入预测的准确性。
解决的问题
- 数据隔离
- 少标签数据
- 传输过程隐私安全
分类
- 横向联邦模型：用户特征一致，用户不一致
- 纵向联邦模型：用户一致，用户特征不一致
- 联邦迁移学习：用户，用户特征均不一致
安全和隐私
- 安全性通过同态加密HE和secret sharing解决
- 隐私性通过查分隐私DP解决
Reference
[1] McMahan H B, Moore E, Ramage D, et al. Communication-efficient learning of deep networks from decentralized data, ICAI, 2017