水平联邦学习、垂直联邦学习和联邦迁移学习
发布时间
阅读量：
阅读量
1. 水平联邦学习（Horizontal Federated Learning, HFL）
解释：
假设有多家银行都拥有类似的客户数据库信息表单（包括年龄、职业以及消费历史等信息）。每家银行可能服务于特定的客户群体（即一部分独特的客户），但这些数据库在结构和特征上具有相似性。在这种情况下，数据呈现出一种'横纵式'分布模式：每个客户端都管理着不同客户的共同数据集合。
应用场景：适用于具有相似特征但属于不同类别的场景中。例如，在多家银行之间开展合作建立一个信用评分系统中。
2. 垂直联邦学习（Vertical Federated Learning, VFL）
解释 ：
设想有一家银行与一家电商平台合作开展业务。银行通过其系统收集客户的财务信息如收入水平、贷款情况等；而电商平台则利用其数据分析模块获取客户的购物行为特征以及消费模式等信息资源。在此背景下，在某些情况下这两家公司的客户群体可能存在一定的交集但所涉领域具有显著差异性特征这样的场景下相关数据呈现出一种纵向分布的状态——即每位参与者的身份信息将被整合为统一的基础数据库中而各自特有的详细资料则以独立的形式得以保存。
应用场景 ：可用于企业间的协作分析一组用户的各项数据，并非局限于单一企业内部的数据研究。例如研究用户的消费能力及购买倾向等特性时可采用此方法
3. 联邦迁移学习（Federated Transfer Learning, FTL）
解释 ：
设想一家医院与一所大学。其中的医疗机构拥有患者的病历记录资料却缺乏学生的学习信息；而教育机构则拥有学生的学业资料却无法获取患者的医疗隐私记录。在这种情况下几乎没有共享的患者群体即各领域的数据互不重叠这正是联邦迁移学习得以应用的独特背景条件它能够通过‘迁移学习’技术将医疗领域的知识与教育领域的知识相结合从而帮助双方共同建立一个综合性的模型
场景描述
对比表格
| 特性 | 水平联邦学习（HFL） | 垂直联邦学习（VFL） | 联邦迁移学习（FTL） |
|---|---|---|---|
| 数据分布 | 不同客户端拥有相同类型的数据，不同用户 | 不同客户端拥有不同类型的数据，相同用户 | 不同客户端拥有不同类型数据，不同用户 |
| 数据特征 | 数据特征相同 | 数据特征不同 | 数据特征不同 |
| 用户群体 | 不同的用户群体 | 有部分用户群体重叠 | 用户群体完全不同 |
| 应用场景 | 银行间的信用评分模型合作 | 银行与电商的用户联合分析 | 医院与大学的健康风险预测合作 |
| 核心目标 | 共享模型，增强模型的泛化能力 | 共享特定用户的数据特征 | 跨领域迁移知识，提升模型能力 |
总结
- 水平联邦学习适用于同一类数据来自不同用户的场景；
- 垂直联邦学习适用于不同类型的特征或属性由同一用户提供的场景；
- 联邦迁移学习则适用于非同源用户群体及对应的数据特征，在此基础上通过迁移学习技术实现模型间的共享与融合。
全部评论 (0)
还没有任何评论哟~