前言：隐私计算赛道作为当下的风口赛道，无数企业纷纷涌入，抢跑占道。作为一家专注于区块链隐私计算赛道科普入门的垂直媒体，同时也是针对隐私计算兴趣者开放的“纯天然”、低门槛入口，我们汇总并分类了隐私计算行业内晦涩难懂的名词，编写了「隐私计算词典」板块，帮助大家理解、学习。?
此篇，我们来了解隐私计算技术架构的第三部分——联邦学习。
近年来，从无人驾驶汽车，到AlphaGo击败顶尖的真人围棋手等等，AI人工智能在科技领域的发展着实吸引了足够多人的眼球。
然而，发展至今的AI人工智能仍面临两大现实问题：
行业数据分散且收集困难，数据以孤岛的形式存在；
区块链与隐私计算算力集群Hive “蜂巢”已在北京启用:金色财经报道，据科技日报从北京微芯区块链与边缘计算研究院获悉，区块链与隐私计算算力集群Hive 蜂巢日前正式启用，作为北京市重大科技创新及高精尖产业项目，该算力集群的主体位于中关村科学城北区的核心地带，整个集群拥有1000台“长安链”高性能专用算力服务器，在架构灵活性、共识机制、数据存储等方面获得技术突破，每秒可处理 2.4 亿笔智能合约交易，每秒可执行百亿条数据隐私计算。[2023/2/7 11:51:46]
隐私得不到保障，安全共享数据成为了一道壁垒。
针对此，人们提出了一种名为「联邦学习」的隐私计算技术。
隐私计算网络Oasis推出开发者课程，帮助开发者简单高效构建项目:7月13日消息，据官方推特，隐私计算网络 Oasis 推出开发者课程，旨在吸引更多开发者简单高效的基于Oasis网络构建项目，并帮助以太坊开发者将其项目迁移至Oasis网络。该系列课程分为两部分：Oasis网络101 与 Oasis Emerald - EVM 兼容链。参加学习即有机会赢取价值 300 美元的ROSE 代币奖励。
据悉，Oasis网络是主打高性能和隐私计算的Layer 1公链，具有高性能、比以太坊低99%的 Gas 费用、灵活低门槛等优势，是发展 DeFi、NFT、元宇宙和加密游戏的理想平台。[2022/7/13 2:10:15]
联邦学习，又名联邦机器学习、联合学习。它是AI人工智能的一门分支技术，旨在保障大数据交换时的信息安全、数据保护，在合法合规的前提下，有效帮助多行业的数据进行机器学习建模。
隐私计算网络Oasis携手DappRadar推出50万美元生态加速器计划:2月4日消息，隐私计算网络Oasis与Dapp市场数据和分发平台DappRadar建立合作关系，双方将携手推出500,000美元生态加速器计划，参与该计划并脱颖而出的10个优质项目团队，将可各获得50,000美元的奖金以及技术、营销等方面的支持，以帮助项目成功启动和加速运作。[2022/2/4 9:31:36]
隐私保护是联邦学习最主要的关注点，在实际的应用中，联邦学习通过将数据的不同特征在加密的状态下加以聚合，以增强机器学习模型能力，再通过共享数据模型，避开原始数据共享，进而保证了数据的安全性。?
利用联邦学习的特点，即使是不导出企业数据的情况下，也能为三方或多方建立机器学习模型，既充分保护了数据隐私和数据安全，又为客户提供个性化、有针对性的服务，实现了互惠互利。?
成都：已确定隐私计算、区块链等未来产业发展新赛道:8月16日消息，据“成都发布”官方公众号消息，成都市秉持产业生态圈理念，建立新赛道企业培育库，加快培育一批平台型龙头企业和新经济“城市合伙人”，打造若干个最适合功能区主导产业发展的赛场场景，搭建产业爆发新生态载体，目前已经确定了包括区块链等在内的未来产业发展新赛道，具体包括：6G、隐私计算、区块链、量子计算、卫星互联网、工业互联网。[2021/8/16 22:17:00]
同时，我们可以利用不同类别的联邦学习技术来解决数据异质性问题，突破传统AI技术的局限性。依照参与建模的数据源分布，联邦学习可分为横向联邦学习、纵向联邦学习和联邦迁移学习三类。?
横向联邦学习
?假设收集两个数据集，这两个数据集用户特征重叠多，而用户重叠少。我们把数据集按照用户维度切分，取出双方用户特征相同，而用户不完全相同的部分数据作为机器的训练数据，这种模型称为横向联邦学习。?
例如，两个不同行政区的银行，用户群体分别来自所在行政区，重叠部分少。但是同作为银行，业务类似，因此数据集收集的用户特征则大体相同。因此，横向联邦学习模型收集的是两个数据集不完全相同的用户部分。?
如下图所示：?
纵向联邦学习
与横向联邦学习相反，在两个数据集用户重叠多、用户特征重叠少的情况下，纵向联邦学习把数据集按照数据特征维度切分，取出双方用户相同，而用户特征不完全相同的部分作为机器训练数据。?
例如，同一个行政区的银行和商超，其收集的数据用户群体大致类似，但银行和商超收集到的用户特征基本不同。因此，纵向联邦学习模型收集的是两个数据集不完全相同的用户特征部分。?
如下图所示：
联邦迁移学习
在用于机器学习的数据集样本用户与用户特征重叠都较少的情况下，通常不对数据进行切分，而是引入联邦迁移学习，来解决数据不足的问题，从而提升模型的效果。
具体地，可以扩展已有的机器学习方法，使之具有横向联邦学习或者纵向联邦学习的能力。?例如，收集一家位于北京的银行和一家位于上海的商超的数据，由于受到地域限制，用户群体交集很小；同时，由于银行和商超类型的不同，二者收集的数据特征也基本无重合。?
引入联邦迁移学习，首先可以先让两个数据集训练各自的模型，之后通过加密模型数据，避免在传输中泄露隐私。之后，对这些模型进行联合训练，最后得出最优的模型，再返回给各个企业。?
如下图所示：?
多种类别的联邦学习方式使得机器学习模型更加具有通用性，可以在不同数据结构、不同行业间发挥作用，没有领域和算法限制，同时具有模型质量无损、保护隐私、确保数据安全的优势。?
在实际的应用中，类似销售、金融等行业，由于知识产权、隐私保护和数据安全等因素限制，数据壁垒很难打通。
联邦学习成为了解决这些问题的关键，在不影响数据隐私和安全的情况下，对来自多方的数据进行统一的建模，进行机器学习模型的训练，这些企业之间就能更好地进行数据协作。?
可以说，联邦学习为构建跨行业、跨地域的大数据和人工智能生态圈提供了良好的技术支持。?考虑到在整个训练过程中，进行模型更新的通信仍然可以向第三方或中央服务器显示敏感信息，因此联邦学习技术广泛地与安全多方计算、TEE或者区块链等技术结合应用，来增强联邦学习的隐私性和去信任。
但目前已有的方法通常以降低模型性能或系统效率为代价提供隐私，因此，如何在理论和经验上理解和平衡这些权衡，将是实现联邦学习技术广泛应用落地的一个相当大的挑战。
来源：金色财经
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。