联邦学习是一种新兴的人工智能基础技术。本报告从技术研究、行业应用、学者画 像以及发展趋势等维度，较为全面深入地分析了联邦学习自2016年诞生至2020年 的重要发展成就。
联邦学习“中美双雄”格局显现
中美两国有关联邦学习的论文发布量遥遥领先于其他国家；在论文发布量TOP 10机构中，中美各占4席和3席；中美两国论文合作数量也全球最多，且半数以 上的高被引论文来自中美两国，但美国的论文引用量显著领先，中国位居第二。 全球专利受理数量以中国地区最多，共1514项；美国位居第二，共579项。在 专利申请数量TOP10机构中，中国占7席，美国占3席。 开源框架主要来自中美，其中OpenMined 推出的Pysyft 、微众银行的FATE和 谷歌的TFF框架的热度居于全球前三位。 联邦学习领域的全球学者共计2,764名，中美分别拥有816和817名，各占全球 总量的30%。 未来联邦学习研究趋势将与算法模型和安全隐私技术相关
目前联邦学习研究热点主要聚焦在机器学习方法、模型训练、隐私保护三方面。 未来几年研究趋势将与算法模型和安全隐私技术相关，如Edge Computing（边 缘计算）、Data Heterogeneity（数据异质性）、Internet Of Things（物联 网）、Blockchain（区块链）、Wireless Communication（无线通信）、 Communication Efficiency（沟通效率）等。 行业应用研究方向呈现出不断与区块链、物联网、车辆交互、5G等技术融合的 态势。 ↓ 阅读全文 ↓
文档全文加载需 3~5 秒
1633426634-351-2021-federal-learning-global-research-and-application-trends-report
