在日常设备上实现隐私保护的AI训练

麻省理工学院研究人员开发了一种新方法，将联邦学习的训练速度提升了约81%，同时将每个设备的存储需求降低80%，通信开销降低69%。该方法通过选择性参数子集、异步更新和加权更新，使得在资源受限的边缘设备（如传感器和智能手表）上也能高效训练高精度AI模型，并保护用户数据隐私。这项技术有望在医疗和金融等对安全要求高的领域得到应用，并特别有益于设备性能较低的发展中国家。