個(gè)性化聯(lián)邦學(xué)習(xí)的相關(guān)方法與展望

摘要： 目前，隨著人工智能研究的進(jìn)步，人工智能被大規(guī)模采用，數(shù)據(jù)監(jiān)管等領(lǐng)域的需求也促使人們對隱私保護(hù)的認(rèn)識和關(guān)注越來越多，這促進(jìn)了聯(lián)邦學(xué)習(xí)（federated learning,FL）框架的流行。但現(xiàn)有的FL難以應(yīng)對異構(gòu)問題以及用戶的個(gè)性化需求。為了應(yīng)對上述問題，研究了個(gè)性化聯(lián)邦學(xué)習(xí)（personalized federated learning,PFL）的相關(guān)方法并提出了展望。列舉了... （共16頁）