打破数据孤岛：联邦学习近期重要研究进展( 四 )_机器之心原创作者：仵冀颖编辑：H4O随

为了解决联邦学习在机器学习、系统策略优化和通信领域中存在的问题，在前期的研究中，研究人员提出了许多方法。然而，这些方法通常并不能有效应对联邦网络的规模问题，更不用说解决系统和统计异构性的挑战了。类似地，由于数据的统计变化以及设备本地的安全限制，联邦学习的隐私保护方法很难严格有效评估。

本文选择 2019 年最新的四篇文章，分别从解决系统异质性、统计异质性、通信代价和隐私保护四个角度详细探讨了联邦学习的研究进展。

https://arxiv.org/abs/1804.08333，Client selection for federated learning with heterogeneous resources in mobile edge, 提出了一个用于机器学习的移动边缘计算框架，它利用分布式客户端数据和计算资源来训练高性能机器学习模型，同时保留客户端隐私；

https://arxiv.org/abs/1902.00146v1，Agnostic Federated Learning，解决之前联邦学习机制中会对某些客户端任务发生倾斜的问题；

https://arxiv.org/abs/1905.12022v1，Bayesian Nonparametric Federated Learning of Neural Networks. ICML 2019. 提出单样本/少样本探索式的学习方法来解决通信问题；