2016年，Google在《Federated Learning: Strategies for Improving Communication Efficiency》论文中，首先提出“联邦学习”（Federated Learning）的概念，该方法能够联合分布于多个移动终端上的数据，实现云端模型的训练。联邦学习的核心，在于模型中心化，数据去中心化。其目的是保护用户隐私与数据安全。
随着数字化时代的来临，大数据、人工智能等精尖技术进入了高速发展阶段。然而,对一些行业而言，存在数据样本量少、特征少、标注信息缺失、数据质量差等问题，同时由于相同行业不同企业间的竞争以及同一企业中不同业务条线、业务系统间的阻隔性等情况，难以实现有效的数据信息交流与整合，易造成“数据孤岛”现象，这使大数据、人工智能相关技术难以发挥出预期的应用效果。
横向联邦学习（Horizontal Federated Learning）[1][2]也称按样本划分的联邦学习，可以应用于联邦学习各参与方的数据集有重叠的特征空间和不同的数据样本的场景。举例来说，两个地区的通信运营商在各地有自己的用户群体，他们之间的用户交集非常小，因此他们的数据集中有不同的样本ID，但他们的业务非常相似，因此他们之间的特征空间是相同的。联合进行横向联邦学习可以更好的构建套餐推荐等模型。
联邦学习在2016年由谷歌提出，因为Google有安卓系统，需要解决多个安卓设备的分布式建模问题。其中，主要是针对输入法的建模，比如客户在安卓输入法中输入单词“what”，或许他可能想继续输入“do you think”，Google输入法如果能自动联想出来，用户体验就会变得比较好，但是自动联想功能需要大量的用户数据才能学习出来，怎么获得这些用户数据呢？
在大数据和人工智能时代，数据被喻为“黄金”和“石油”越来越被重视。各行业数字化转型的核心要点之一是数据智能技术的应用，而其基础在于海量、多维数据的汇总、加工和算法模型训练。这一过程中同时带来的则是数据安全和隐私问题——大量带有客户、产品和交易信息的敏感数据容易产生法律、合规问题，亦频繁出现数据的不合法泄露问题。
同态加密（英语：Homomorphic encryption）是一种加密形式，它允许人们对密文进行特定形式的代数运算得到仍然是加密的结果，将其解密所得到的结果与对明文进行同样的运算结果一样。换言之，这项技术令人们可以在加密的数据中进行诸如检索、比较等操作，得出正确的结果，而在整个处理过程中无需对数据进行解密。其意义在于，真正从根本上解决将数据及其操作委托给第三方时的保密问题，例如对于各种云计算的应用。
数据隐私保护，是指对企业敏感的数据进行保护的措施。数据隐私保护可以通过数字水印进行版权信息识别，可以通过数据脱敏实现技术上的变形处理。
在2000年以后，出于应用上的需求，又开始开辟新的思路，如差分隐私，简单说像原始数据去可控的加入噪声，让个体的隐私得到保护，同时对最终的计算结果影响可控。另外一条路是2013年英特尔提出了基于SGX的可信执行环境技术，在硬件层面提供了一种数据可用不可见的机制，在2016年，Google把分布式机器学习拓展到隐私保护领域，提出了联邦学习的概念，最开始是用大量的手机终端来训练输入法的模型，后来融合联邦学习和密码学，安全性进一步得到一定的提升。
没有账户，需要注册
当前，世界百年变局加速演进，新一轮科技革命和产业变革？深入发展，低空经济作为新质生产力的重要组成部分，正以前瞻？性、引领性姿态加速崛起，成为推动经济结构优化升级、塑造高？质量发展新动能的关键领域。
首先从华为的视角总结了企业对于数字化转型的应有的共识，以及从战略角度阐述了华为为何推行数字化转型，然后给出了华为数字化转型的整体框架(方法论)，以及企业数字化转型成熟度评估的方法，帮助读者在厘清华为开展数字化转型工作的整体脉络的同时，能快速对自身的数字化水平进行自检，
汽车智能化网联化融合发展已经成为全球政府、产业界的发展共识，各国通过升级政策法规、推动测试示范、加速创新应用等方式推动智能网联汽车产业发展。2024年1月，我国启动智能网联汽车“车路云一体化”应用试点，推动车路云一体化从技术验证迈向规模化应用。
过去十年，中国消费市场的高速迭代催生了一批极具活力的新锐品牌。它们凭借对消费趋 势的敏锐洞察、柔性灵活的供应链体系以及成熟的数字化运营能力，在国内细分市场中迅 速崛起，创造了一个又一个“爆款神话”。
PID是比例(Proportional)、积分(Integral)、微分(Differential)的缩写PID是一种闭环控制算法，它动态改变施加到被控对象的输出值(Out)，使得被控对象某一物理量的实际值(Actual)，能够快速、准确、稳定地跟踪到指定的目标值(Target)PID是一种基于误差(Error)调控的算法，其中规定:误差=目标值-实际值PID的任务是使误差始终为0PID对被控对象模型要求低，无需建模，即使被控对象内部运作规律不明确PID也能进行调控
紧接上文，我们讲的是连续形式的PID公式，但连续形式的PID需要用模拟电路来实现，对于单片机而言，我们需要离散形式的PID，本节我们就来看看离散型PID的具体实现：
卡尔曼滤波我计划分为两部分，卡尔曼滤波（一）基础篇；算法篇——卡尔曼滤波（二）进阶，算法篇——卡尔曼滤波（三）实战
算法篇——常用的十大滤波算法
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
方案库赚钱指南
