联邦学习技术全景
联邦学习让数据留在本地,仅共享模型更新,保护隐私同时协同训练。点击各层高亮。
点击按钮分层高亮
联邦训练流程
FedAvg算法:客户端本地训练→上传梯度→服务器加权平均→下发全局模型。点击步骤演示。
点击按钮逐步演示FedAvg训练流程
差分隐私 (DP)
通过添加噪声确保单个样本不影响整体分布,提供数学可证明的隐私保证。点击调整隐私预算。
点击按钮调整隐私预算ε,观察噪声影响
安全聚合协议
服务器只能看到聚合后的梯度总和,无法看到任何单个客户端的梯度。点击查看协议流程。
点击按钮查看安全聚合各步骤
同态加密机器学习
在加密数据上直接计算,结果解密后等同于明文计算结果。点击切换加密方案。
点击按钮查看不同同态加密方案
梯度泄露攻击与防御
共享的梯度可能泄露训练数据,Deep Leakage攻击可从梯度重建原始图像。点击查看攻防。
点击按钮查看梯度隐私攻防
联邦拓扑对比
中心化、去中心化、层级化、流式联邦拓扑各有优劣。点击切换拓扑。
点击按钮切换联邦拓扑
联邦学习应用场景
从医疗到金融,从手机输入到跨机构协作,联邦学习保护隐私同时释放数据价值。点击切换场景。
点击按钮查看不同应用场景