深度学习在许多应用中取得了巨大成功。然而，其在实践中的部署已经受到两个问题的困扰：由于通常在地理上分布的大量数据传输，必须集中聚合的数据的隐私。解决这两个问题都是具有挑战性的，并且大多数现有工程无法提供有效的解决方案。在本文中，我们开发FEDPC，是隐私保存和沟通效率的联邦深度学习框架。该框架允许在多个私有数据集中学习模型，同时不显示培训数据的任何信息，即使是中间数据。该框架还可以最大限度地减少更新模型的数据量。我们正式证明培训FEDPC及其隐私保留财产时学习模型的融合。我们对大量实验进行了广泛的实验，以评估FEDPC的性能，以近似到上限的性能（培训集中时）和通信开销。结果表明，当数据分配到10个计算节点时，FEDPC在8.5 \％$ 8.5 \％$ 8.5 \％$ 8.5 \％$ 8.5 \％$ 8.5 \％$ 8.5 \％。与现有工程相比，FEDPC还将通信开销降低至42.20±20美元。
translated by 谷歌翻译