联邦学习中的公平与隐私保护研究
摘 要
联邦
在强调数据权利确认和隐私保护的背景下，联邦学习作为一种新的机器学习范式，可以在不暴露各方数据的情况下解决数据孤岛和隐私保护问题。目前，基于联邦学习的建模方法已经成为主流，并取得了良好的效果。因此，总结和分析联邦学习的概念、技术、应用和面临的挑战具有重要意义。本文首先阐述了机器学习的发展过程和联邦学习的必然性，给出了联邦学习的定义和分类；然后，介绍了联邦学习
，和对联邦学习中的隐私性和公平性研究进行介绍和分析。
针对
联邦学习中
公平对待联合学习参与者的问题
联邦学习中的公平与隐私保护研究-19616字.docx