在日常裝置上實現隱私保護的AI訓練

麻省理工學院研究人員開發了一種新方法，將聯邦學習的訓練速度提升了約81%，同時將每個裝置的儲存需求降低80%，通訊開銷降低69%。該方法透過選擇性引數子集、非同步更新和加權更新，使得在資源受限的邊緣裝置（如感測器和智慧手錶）上也能高效訓練高精度AI模型，並保護使用者資料隱私。這項技術有望在醫療和金融等對安全要求高的領域得到應用，並特別有益於裝置效能較低的發展中國家。