联邦学习

联邦学习 Federated Learning

联邦学习考虑的是有很多个客户端，数据是分片的，每个客户端持有不同的数据，形成一种分布式的结构，联邦学习的目的是训练一个集中模型，其中每个客户端局部地更新它自己所持有的数据，然后把数据合并到集中模型中，而在这个过程中，客户端之间的数据是不共享的。

差分隐私 Differentia-Privacy

差分隐私是用数学的方式来度量一个机器学习模型的参数或预测对原始训练数据的反映程度，如果反映程度高，说明隐私性差；反应程度低则隐私性好。