Federated learning in food research

食品领域的研究有时会受到数据共享障碍的限制，例如数据所有权、隐私要求和法规等。虽然这些障碍很重要，但它们可能会限制机器学习等数据驱动方法。联邦学习是一种在本地训练模型并仅共享学习参数的方法，可以缓解数据共享障碍。这项系统性综述调查了联邦学习在食品领域中的应用，将所包含的论文结构化为联邦学习框架，突出了知识空白，并讨论了潜在的应用。共有41篇论文被纳入综述。当前的应用包括解决水和牛奶质量评估、水处理的网络安全、农药残留风险分析、杂草检测和欺诈检测等问题，重点是集中式水平联邦学习。发现其中一个空白是缺乏垂直或转移联邦学习和分散式架构。

使用联邦学习解决食品领域中的数据共享障碍问题

使用联邦学习训练模型，只共享学习参数，以解决数据共享障碍问题

使用联邦学习解决水和牛奶质量评估、水处理的网络安全、农药残留风险分析、杂草检测和欺诈检测等问题；发现垂直或转移联邦学习和分散式架构的研究较少；共计41篇论文被纳入综述

近期的相关研究包括《Federated Learning for Healthcare Informatics》、《A Survey on Federated Learning Systems: Vision, Hype and Reality for Data Privacy and Protection》等