* 本报告来自网络，如有侵权请联系删除
电信领域联邦学习技术应用白皮书
收藏
分享
纠错
价格免费
数据简介
联邦学习作为新兴的分布式机器学习框架，能够在保护数据隐私、满足合法合规要求的前提下，让多参与方或多计算结点之间在不共享原始数据的基础上联合进行高效的模型训练，有望在未来网络与电信领域中发挥巨大潜能。联邦学习与物联网,边缘计算、5G/6G等技术相结合，能够更高效的支撑智能化应用开展，推动实现网络内生智能。
详情描述
联邦学习作为新兴的分布式机器学习框架，能够在保护数据隐私、满足合法合规要求的前提下，让多参与方或多计算结点之间在不共享原始数据的基础上联合进行高效的模型训练，有望在未来网络与电信领域中发挥巨大潜能。联邦学习与物联网,边缘计算、5G/6G等技术相结合，能够更高效的支撑智能化应用开展，推动实现网络内生智能。与此间时，电信数据无需出网就可实现数据价值安全流通，通过与金融、政务、自动驾驶、医疗等行业合作，满足多源数据融合、多方安全查询、多方安全统计、联合智能决策等应用需求，赋能社会治理，服务民生公益，支持工业互联，协助实体经济快速发展。在此背景下，中国人工智能产业发展联盟发布本白皮书，通过探讨电信领域联邦学习架构与关键技术，提出多个典型用例和发展建议，以期与业界分享,共同推动电信领域联邦学习的技术与产业发展，实现电信网络自动驾驶能力与智能化的创新与深入推进。机器学习技术近些年来在人工智能应用领域迅猛发展，例如计算机视觉、自然语言处理、语音识别等。这些机器学习技术的成功，尤其是深度学习的应用，皆是建立在丰富的数据资源之上。传统机器学习方法需要将数据从多方进行整合标记后进行机器学习的训练，导致数据原始拥有者失去对数据的掌控。随着数据产业价值的不断彰显，数据拥有权受到日益重视，数据拥有方对于数据失去掌控后的担忧以及数据整合后利益分配的不确定性,使得传统集中式机器学习的方式变得不再有效或适用，带来数据碎片化和孤岛分布的问题。随着数字化经济时代的到来，海量数据带来的产业价值日益彰显，人们对于人工智能应用中数据隐私保护与所有权问题的关注度也在不断提高，并俨然成为世界性问题。与此同时，随着用户数据泄露的
报告预览
*本报告来自网络，如有侵权请联系删除
相关「可视数据」推荐
相关「数据报告」推荐
