当前位置：首页 > 启梦行动 > 讲座沙龙 > EngineClub > 2021 > 主题分享 >
讲座题目：联邦学习概述与开源框架FedLab介绍
分享人：曾趸
分享人介绍：电子科技大学计算机科学与技术博士研究生，研究方向为联邦学习分布式优化与通信压缩。联系方式：zengdun@std.uestc.edu.cn
内容介绍：
由谷歌最先提出的联邦学习近来成为机器学习研究中一个迅速发展的领域。联邦学习的目标是在分布式机器学习中保护个体数据隐私，尤其是金融领域、智能医疗以及边缘计算领域。不同于传统的数据中心式的分布式机器学习，联邦学习中的参与者利用本地数据训练本地模型，然后利用具体的聚合策略结合从其他参与者学习到的知识，来合作生成最终的模型。这种学习方式避免了直接分享数据的行为。
为了减轻研究者实现联邦学习算法的负担，我们开发了灵活的轻量级联邦学习框架FedLab。FedLab为联邦学习的模拟实验提供了必要的模块，包括通信、压缩、模型优化、数据切分，及其他功能性模块。本次分享主要介绍联邦学习在模型优化和通信压缩等方面的挑战，以及联邦学习开源框架FedLab是如何支持研究者快速实现idea验证。
更多技术讲座和课件下载，请访问EngineClub项目地址