摘要：联邦学习是一种保证数据隐私安全的分布式机器学习方案.与传统的机器学习的可解释性问题类似,如何对联邦学习进行解释是一个新的挑战.文中面向联邦学习方法的分布式与隐私安全性的特性,探讨联邦学习的可视化框架设计.传统的可视化任务需要使用大量的数据,而联邦学习的隐私性决定了其无法获取用户数据.因此,可用的数据主要来自服务器端的训练过程,包括服务器端模型参数和用户训练状态.基于对联邦学习可解释性的挑战的分析,文中综合考虑用户、服务器端和联邦学习模型3个方面设计可视化框架,其包括经典联邦学习模型、数据中心、数据处理和可视分析4个模块.最后,介绍并分析了2个已有的可视化案例,对未来通用的联邦学习可视分析方法提出了展望.

摘要：概述了联邦可视化的概念、框架、方法与应用。联邦可视化框架能够在不进行数据整合的情况下,针对具体任务和特定场景进行加密训练,得出反映全体数据特征的可视化模型。联邦可视化是联邦学习框架在可视化领域的拓展应用,主要强调在保障数据隐私的前提下,互利共赢的联邦协作方式在对多数据源数据进行可视分析方面的应用,以打破各领域、各行业的数据壁垒,实现数据与知识的共享。