大数据时代下机器学习的新范式
在大数据时代，数据的数量和复杂性都呈指数级增长。然而，这些数据往往分散在不同的组织和个人之间，限制了数据的利用和挖掘。此时，联邦学习应运而生。它是 一种新兴的机器学习方法，允许多个参与方共同训练模型。在大数据时代和人工智能的发展下，联邦学习成为了应对数据分散和隐私保护的有效解决方案，在医疗、金融、推荐等领域都有广泛的应用。OSCHINA 本期高手问答 (10 月 18 日 - 10 月 24 日) 我们请来了 PrimiHub 开源 和大家一起探讨关于「联邦学习技术」的问题。可讨论的问题包括但不限于：
许雪峰，北航网络安全硕士，北京原语科技隐私计算工程师。从事联邦学习、差分隐私相关算法开发工作。热爱技术和开源，曾多次为知名开源机器学习框架 scikit-learn 贡献代码。🎁 为了鼓励踊跃提问， 原语科技 PrimiHub 会在问答结束后从提问者中抽取 5 名幸运会员，赠予 PrimiHub 定制笔记本礼盒 3 件套（内含：笔记本 * 1、金属签字笔 * 1、U 盘 * 1）。
下面欢迎大家就 “联邦学习技术” 相关问题向 PrimiHub 许雪峰老师 提问，长按识别下方二维码/点击文末阅读原文回帖提问既可。
立即提问
什么是联邦学习？与分布式训练的区别和联系
联邦学习的场景：包括但不限于横向 / 纵向联邦、跨企业、跨设备等
当前联邦学习面临的问题：计算 / 通信复杂度、数据分布不均衡、安全隐私、公平性等
联邦学习入门学习、上手开发的建议
嘉宾介绍
立即提问