样本ID如何隐私安全求交集?
自2016年联邦学习概念出现以来,由于其可以在“数据隐私安全”前提下进行数据共享应用而被热捧。根据数据集特征的不同,联邦学习可以分为三种:横向联邦学习(各方样本特征交集很多,ID交集极少)、纵向联邦学习(各方样本ID交集很多,特征交集极少)、迁移联邦学习(各方样本特征与ID交集都极少)。对应到实际应用场景中,纵向联邦学习可广泛应用于潜客智能发现、在线广告推送、智能信用评估等,这些场景需要同一样本ID在多个机构的不同特征数据,横向联邦可广泛应用于智能诊疗、智能设备检修、智能交通等,这些场景需要不同样本ID在多个机构的相同特征数据,而迁移联邦学习还有待技术的进一步发展才能应用。
- 2022-01-21
- 阅读74
- 下载0
- 7页
- docx