课程大纲

介绍 Federated Learning

  • 什么是联合学习,它与集中式学习有何不同?
  • 联邦学习在安全 AI 协作中的优势
  • 敏感数据领域的使用案例和应用

Federated Learning 的核心元件

  • 联合数据、用户端和模型聚合
  • Communication 协定和更新
  • 在联合环境中处理异构性

资料隐私和安全 Federated Learning

  • 数据最小化和隐私原则
  • 保护模型更新的技术(例如,差分隐私)
  • 符合数据保护法规的联合学习

实施 Federated Learning

  • 设置联合学习环境
  • 使用联合框架进行分散式模型训练
  • 性能和准确性注意事项

Federated Learning 医疗保健

  • 医疗保健领域的安全数据共享和隐私问题
  • 用于医学研究和诊断的协作式 AI
  • 案例研究:医学成像和诊断中的联邦学习

Federated Learning 在 Finance 中

  • 使用联合学习进行安全的财务建模
  • 使用联合方法进行欺诈检测和风险分析
  • 金融机构内部安全数据协作的案例研究

挑战与未来 Federated Learning

  • 联邦学习中的技术和运营挑战
  • 联合 AI 的未来趋势和进步
  • 探索跨行业联合学习的机会

总结和后续步骤

要求

  • 对机器学习概念的基本理解
  • 熟悉数据隐私和安全基础知识

观众

  • 专注于隐私保护机器学习的数据科学家和 AI 研究人员
  • 处理敏感数据的医疗保健和财务专业人员
  • 对安全的 AI 协作方法感兴趣的 IT 和合规经理
 14 小时

即将举行的公开课程

课程分类