La dirección de optimización del aprendizaje federado es la siguiente:
Como tipo de aprendizaje automático, el aprendizaje federado es inseparable del uso de una gran cantidad de datos para construir un modelo de aprendizaje automático. Pero el problema es que hoy en día todo el mundo se ha vuelto más consciente de la privacidad y los datos son extremadamente valiosos, por lo que todo el mundo debe conservarlos y no dejarlos ir. Pero es necesario desarrollar la inteligencia artificial y construir modelos en conjunto para ganar dinero, de modo que surjan cuestiones dignas de estudio.
Hay algunas situaciones que nunca me he encontrado, pero otras sí las he encontrado. (Esta situación puede ser manejada por la idea de la federación horizontal). O tal vez otros ven el mismo problema desde una perspectiva diferente a la tuya, por lo que ciertamente es bueno aprender de las fortalezas de los demás. (Es decir, el principio de federación vertical).
La diferencia entre el aprendizaje federado y el aprendizaje automático ordinario: dejando de lado el valor de los datos, estas claras normas de seguridad de los datos muestran cuánta atención recibirá la privacidad de los datos en el futuro. Pero el problema es que para lograr la prosperidad común, todos todavía necesitan modelar juntos. Esto es lo que dicen todos los videos promocionales del aprendizaje federado sobre la solución del problema de la "isla de datos".
La diferencia entre el aprendizaje federado y el aprendizaje automático que preserva la privacidad: el aprendizaje federado es un poco menos riguroso y puede denominarse aprendizaje ***tongfu, incluida la vinculación de los intereses de todos, la distribución de intereses, etc. Hay múltiples significados en él. Por lo tanto, cuando los colegas están modelando, quién ha hecho la mayor contribución y necesita ser elogiado, y quién siempre sabotea y otras cuestiones también están dentro del alcance del aprendizaje federado. La Federación trata a las personas como personas de carne y hueso, en lugar de solo dónde están los datos, por lo que es más humano.