典型文献
联邦学习专题序言
文献摘要：
联邦学习是当前非常活跃的一种新兴的人工智能基础技术,作为一种新兴的分布式计算范式,其使得用户原始数据在不输出本地设备的基础上可以找到一个更优化的模型,做到"数据不动模型动",在保证用户数据隐私安全的前提下,打破数据孤岛,充分挖掘数据的潜在价值.近年来国内外学者在联邦学习方面开展了不少研究,而且联邦学习已在智能零售、金融、自动驾驶等领域获得广泛关注.联邦学习在一些实际业务场景中也已有相关应用,但性能优化、通信带宽、时延、安全等问题对联邦学习的落地提出了更高的要求.本专题旨在推动联邦学习的学术研究及产业实践,探索联邦学习相关的新理论、新方法和新技术,并展示国内研究人员在该领域的最新研究成果.
文献关键词：
中图分类号：
作者姓名：
林伟伟;彭绍亮;王田;吴文泰;LI Keqin
作者机构：
华南理工大学;湖南大学;北京师范大学;State University of New York
文献出处：
引用格式：
[1]林伟伟;彭绍亮;王田;吴文泰;LI Keqin-.联邦学习专题序言)[J].计算机科学,2022(12):1-4
A类：
B类：
联邦学习,学习专题,题序,序言,基础技术,分布式计算,计算范式,得用,原始数据,用户数据,数据隐私安全,数据孤岛,潜在价值,智能零售,自动驾驶,业务场景,相关应用,性能优化,通信带宽,时延,对联,本专题,题旨,产业实践,国内研究
AB值：
0.426539
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
