模型训
-
联邦学习：跨企业数据分析的安全解决方案
跨企业数据分析的安全港：联邦学习技术方案探讨 在跨行业研究项目中，整合来自不同企业的数据是一项挑战。这些数据往往包含商业机密和个人隐私，各企业又有严格的合规要求。如何安全、中立地进行联合分析和建模，成为项目成功的关键。 联邦学习 (F...
-
如何在保持数据控制权的同时安全共享敏感行业数据？隐私计算是关键
您好！您提出的问题，正是当前数据要素流通与应用领域面临的核心挑战：如何平衡数据价值释放与数据安全保护。幸运的是，业界已经发展出一系列“隐私计算”和“可信数据空间”等技术架构，能够有效解决这一难题，让您在保持数据控制权的同时，安全、有限地对...
-
移动端深度学习模型“瘦身”秘籍：告别卡顿与耗电
在智能手机和各类嵌入式设备日益普及的今天，将深度学习模型部署到这些资源受限的终端设备上，实现模型在本地高效运行，是许多开发者面临的共同挑战。你提到的模型体积过大导致安装包膨胀、推理延迟高影响用户体验、以及高功耗快速耗尽电池等问题，正是移动...
-
联邦学习图像识别模型的可解释性方法探索
问题： 我们使用联邦学习训练了一个图像识别模型，如何解释模型的决策过程？是否存在一些可解释性方法可以帮助我们理解模型是如何利用来自不同参与方的数据进行预测的？ 回答： 联邦学习（Federated Learning, FL...
