打破数据孤岛：联邦学习近期重要研究进展( 五 )_机器之心原创作者：仵冀颖编辑：H4O随

https://arxiv.org/pdf/1812.00984.pdf，Protection Against Reconstruction and Its Applications in Private Federated Learning，提出了一种差异性隐私保护方法。

Client selection for federated learning with heterogeneous resources in mobile edge

图2/49

联邦学习的系统异质性问题是指，构成联邦学习网络的各个客户端情况不同，计算资源（计算能力）以及无线信道条件等都存在较大的差异性，进而影响联邦学习的整体性能。本文提出了一个移动边缘计算框架（Mobile Edge Computing，MEC），能够在保护客户端隐私的同时完成客户端模型训练，同时有效解决真实蜂窝网络中的系统异质性问题。本文提出的联邦学习框架（FedCS）能够根据客户端资源条件管理客户端设备，从而有效应对具有资源约束的客户端选择问题，它允许服务器聚合尽可能多的客户端更新信息，并加速改进机器学习模型的性能。