本文由【云老大】 TG@yunlaoda360 撰写
1. TensorFlow Federated Framework
- 框架设计理念：联邦学习的参与角色包括客户端（clients）和服务端（server）。TensorFlow Federated（TFF）是谷歌专门推出的联邦学习框架，它允许现有的TensorFlow或Keras模型代码通过一些转换后变为联邦学习模型。
- 实现细节：TFF框架中，客户端从中心节点获取当前模型参数，在本地设备上利用自己的数据对模型进行训练，得到新的模型参数。多个客户端分别训练了不同的模型参数后，融合为一个模型，比如简单地求平均值。中心服务器将新一轮的模型分发给客户端，在这个过程中，服务器可以有选择性地只让一部分客户端参与训练。
2. 分布式优化
- 梯度更新：在Federated Learning中，谷歌采用了基于梯度的分布式优化策略。每个设备在其本地数据集上独立更新模型，然后只将模型更新的一部分（通常是模型的权重或梯度）发送回服务器。服务器整合这些更新，生成一个全局模型，再分发给所有参与者。这个过程不断迭代，直到达到预设的收敛标准。
3. 隐私保护
- 数据不离开设备：由于数据不离开设备，Federated Learning在很大程度上降低了数据泄露的风险。此外，项目还提供了如差分隐私等额外的安全措施，进一步确保单个设备的信息不能被识别。
4. 异构性处理
- 适应异构环境：考虑到不同设备的数据量、计算能力和网络条件可能有很大差异，Federated Learning设计了适应这种异构环境的算法。它能够动态地选择参与下一轮训练的部分设备，并根据设备的资源情况调整学习策略。
5. 应用场景
- 移动设备上的智能输入法：通过Federated Learning，输入法可以学习每个用户的习惯，而不需要收集或传输个人输入记录。
- 健康监测：医疗设备可以在本地学习患者数据，提供个性化建议，同时保持数据安全。
- 物联网(IoT) ：智能家居设备可以通过Federated Learning共享学习成果，提高整体的自动化水平，而不暴露敏感信息。
6. 安全聚合
- 数据最小化：Federated Learning是一个通用框架，它利用数据最小化策略，使多个实体能够在不共享原始数据的情况下协作解决机器学习问题。每个实体保持其原始数据本地，并通过专注于更新来改进全局模型，这些更新旨在立即聚合。
- 安全聚合协议：在安全聚合协议中，用户设备同意共享随机数，以一种方式掩盖它们的本地模型，同时保留聚合结果。服务器将不知道每个用户如何修改他们的模型。
