第2章
联邦学习应用场景

在如今的机器学习算法中，我们为了捕捉某种关系（比如，存在于疾病模式、社会经济、遗传因素以及复杂和罕见病例之间的关系），需要一种可以适应各种情况的模型。这就需要我们收集足够多的数据来模拟问题深处的真实数据分布，从而充分评估我们的模型。然而，集中收集和保存来自不同机构的数据，不仅面临与隐私和数据保护相关的监管、道德和法律挑战，还会带来技术挑战。联邦学习通过支持来自非共存数据的机器学习算法，可以从技术层面应对隐私和数据治理方面的挑战。本章仅从技术视角对联邦学习在金融、生物医学、计算机视觉、自然语言处理、边缘计算和云计算、计算机硬件等方面的应用场景进行回顾和展望，如涉及数据收集方面的信息，请注意需要满足管辖地法律法规及监管的要求。