级别CCFA 1.摘要 联邦学习（FL）和分割学习（SL）是两种流行的分布式机器学习方法。两者都采用了模型对数据的场景；客户端在不共享原始数据的情况下训练和测试机器学习模型。由于机器学习模型的架构在客户端和服务器之间分割，SL提供了比FL更好的模型隐私性。此外，分割模型使SL成为资源受限环境的更好选择。然而，由于在多个客户端之间基于中继进行训练，SL的速度比FL慢。 2.贡献 本文提出了一

论文链接： [2004.12088v1] SplitFed: When Federated Learning Meets Split Learning (arxiv.org) AAAI 2022 摘要： 联邦学习+分割学习：消除其固有的缺点的两种方法，以及结合差分隐私和PixelDP的精细架构配置，以增强数据隐私和模型的鲁棒性 提出联邦学习和分割学习的融合，基于差分隐私的度量 和 Pix