Публикации по теме 'federated-learning'
Углубление в федеративное обучение — Децентрализованный подход к обучению в машинном обучении
Суть федеративного обучения можно сформулировать так:
" Преобразование кода в данные, а не преобразование данных в код"
В наше время миллионы людей по всему миру генерируют беспрецедентный объем данных с помощью смартфонов, планшетов и других интеллектуальных устройств. Различные датчики, присутствующие в таких устройствах, как камеры, GPS и микрофоны, имеют доступ к огромному количеству данных, которые являются частными по своей природе. Хотя такие данные оказались бы чрезвычайно..
Безопасный совместный XGBoost для зашифрованных данных
Библиотека для многостороннего обучения и вывода моделей XGBoost с использованием безопасных анклавов.
TL; DR: В RISE Lab в Калифорнийском университете в Беркли мы создали Secure XGBoost , библиотеку, которая позволяет совместное обучение и логический вывод XGBoost на зашифрованные данные . Для простоты использования мы предоставляем Python API, почти идентичный API XGBoost, с некоторыми дополнениями для интеграции безопасности. Secure XGBoost является частью зонтичного..
судьба-оператор: оператор Kubernetes для FATE (интегратор технологий искусственного интеллекта)
Обзор
FATE-Operator упрощает развертывание и выполнение заданий федеративного машинного обучения (FML) в Kubernetes. Это ранняя версия, все предложения и пожелания важны для нас. Поднятие вопросов приветствуется.
Задний план
Федеративное машинное обучение (FML) — это настройка машинного обучения, в которой множество клиентов (например, мобильных устройств или организаций) совместно обучают модель под координированием центрального сервера, сохраняя при этом децентрализованные обучающие..