隱私計算詞典丨聯邦學習為何如此博人眼球？_ASI:Verasity

前言：隱私計算賽道作為當下的風口賽道，無數企業紛紛涌入，搶跑占道。作為一家專注于區塊鏈隱私計算賽道科普入門的垂直媒體，同時也是針對隱私計算興趣者開放的“純天然”、低門檻入口，我們匯總并分類了隱私計算行業內晦澀難懂的名詞，編寫了「隱私計算詞典」板塊，幫助大家理解、學習。?

此篇，我們來了解隱私計算技術架構的第三部分——聯邦學習。

近年來，從無人駕駛汽車，到AlphaGo擊敗頂尖的真人圍棋手等等，AI人工智能在科技領域的發展著實吸引了足夠多人的眼球。

然而，發展至今的AI人工智能仍面臨兩大現實問題：

行業數據分散且收集困難，數據以孤島的形式存在；隱私得不到保障，安全共享數據成為了一道壁壘。針對此，人們提出了一種名為「聯邦學習」的隱私計算技術。

隱私計算網絡Oasis推出350萬美元專項扶持計劃，推動生態DeFi發展:11月9日消息，隱私計算網絡Oasis基金會將與MetaMind Labs合作，共同推出Oasis × MetaMind生態扶持計劃，該項計劃總價值約350萬美元，用于支持基于Oasis網絡創建的具有隱私保護功能的DeFi應用程序。該項計劃將持續12周，基于Oasis網絡構建的DeFi項目可報名參與其中，成功入選的團隊將從50萬美元的ROSE扶持資金池中獲得2萬美元的項目啟動資金。12周結束后，Oasis × MetaMind將邀請一眾世界領先的投資機構及個人投資者舉行項目演示日，每一個入選的DeFi團隊將有機會展示項目運作原理及特色亮點，表現優異的DeFi項目將可以獲得Oasis基金會高達300萬美元的扶持資金。[2021/11/9 6:41:10]

聯邦學習，又名聯邦機器學習、聯合學習。它是AI人工智能的一門分支技術，旨在保障大數據交換時的信息安全、數據保護，在合法合規的前提下，有效幫助多行業的數據進行機器學習建模。

成都：已確定隱私計算、區塊鏈等未來產業發展新賽道:8月16日消息，據“成都發布”官方公眾號消息，成都市秉持產業生態圈理念，建立新賽道企業培育庫，加快培育一批平臺型龍頭企業和新經濟“城市合伙人”，打造若干個最適合功能區主導產業發展的賽場場景，搭建產業爆發新生態載體，目前已經確定了包括區塊鏈等在內的未來產業發展新賽道，具體包括：6G、隱私計算、區塊鏈、量子計算、衛星互聯網、工業互聯網。[2021/8/16 22:17:00]

隱私保護是聯邦學習最主要的關注點，在實際的應用中，聯邦學習通過將數據的不同特征在加密的狀態下加以聚合，以增強機器學習模型能力，再通過共享數據模型，避開原始數據共享，進而保證了數據的安全性。?

國內隱私計算技術聯盟成立:4月19日，國內區塊鏈隱私計算領域去中?化治理組織隱私計算技術聯盟（PrivacyComputingInChina，簡稱“PCIC”）宣布成立。

PCIC9家創始成員機構為：OasisNetwork、Findora、Certik、MantaNetwork、Phala、CabinVC、Candaq、中國技術經濟學會區塊鏈分會、Blocklike。

PCIC旨在為隱私計算領域打造?個有公信?、開放、共贏的自治理組織。PCIC將通過輪值機制，由核?發起成員輪值管理隱私計算技術聯盟社區，定期向市場傳遞隱私計算領域技術研討及生態進展。[2021/4/19 20:35:47]

利用聯邦學習的特點，即使是不導出企業數據的情況下，也能為三方或多方建立機器學習模型，既充分保護了數據隱私和數據安全，又為客戶提供個性化、有針對性的服務，實現了互惠互利。?

ZB創新智庫：實施隱私計算方案是區塊鏈項目升級重要看點:老牌項目以太坊和瑞波均提“隱私計劃”， V神提出利用ENS（以太坊域名技術）系統地址隱藏真正接收方的地址，只需要發送方發送一個隨機數r到ENS持有者公布的公鑰P*r的地址上。Ripple開發部門也提出在瑞波系統加入盲簽名實現匿名，增加對STREAM協議的支持。ZB創新智庫分析師表示，老牌項目下一代升級的最重要的看點之一就是隱私計算方案的實施，這也將進一步凸顯區塊鏈技術在面對當前互聯網隱私泄露事件頻發，在數據隱私保護方面體現新技術的競爭優勢。[2020/4/2]

同時，我們可以利用不同類別的聯邦學習技術來解決數據異質性問題，突破傳統AI技術的局限性。依照參與建模的數據源分布，聯邦學習可分為橫向聯邦學習、縱向聯邦學習和聯邦遷移學習三類。?

橫向聯邦學習假設收集兩個數據集，這兩個數據集用戶特征重疊多，而用戶重疊少。我們把數據集按照用戶維度切分，取出雙方用戶特征相同，而用戶不完全相同的部分數據作為機器的訓練數據，這種模型稱為橫向聯邦學習。?

例如，兩個不同行政區的銀行，用戶群體分別來自所在行政區，重疊部分少。但是同作為銀行，業務類似，因此數據集收集的用戶特征則大體相同。因此，橫向聯邦學習模型收集的是兩個數據集不完全相同的用戶部分。?

如下圖所示：?

縱向聯邦學習與橫向聯邦學習相反，在兩個數據集用戶重疊多、用戶特征重疊少的情況下，縱向聯邦學習把數據集按照數據特征維度切分，取出雙方用戶相同，而用戶特征不完全相同的部分作為機器訓練數據。?

例如，同一個行政區的銀行和商超，其收集的數據用戶群體大致類似，但銀行和商超收集到的用戶特征基本不同。因此，縱向聯邦學習模型收集的是兩個數據集不完全相同的用戶特征部分。?

如下圖所示：

聯邦遷移學習在用于機器學習的數據集樣本用戶與用戶特征重疊都較少的情況下，通常不對數據進行切分，而是引入聯邦遷移學習，來解決數據不足的問題，從而提升模型的效果。

具體地，可以擴展已有的機器學習方法，使之具有橫向聯邦學習或者縱向聯邦學習的能力。?例如，收集一家位于北京的銀行和一家位于上海的商超的數據，由于受到地域限制，用戶群體交集很小；同時，由于銀行和商超類型的不同，二者收集的數據特征也基本無重合。?

引入聯邦遷移學習，首先可以先讓兩個數據集訓練各自的模型，之后通過加密模型數據，避免在傳輸中泄露隱私。之后，對這些模型進行聯合訓練，最后得出最優的模型，再返回給各個企業。?

如下圖所示：?

多種類別的聯邦學習方式使得機器學習模型更加具有通用性，可以在不同數據結構、不同行業間發揮作用，沒有領域和算法限制，同時具有模型質量無損、保護隱私、確保數據安全的優勢。?

在實際的應用中，類似銷售、金融等行業，由于知識產權、隱私保護和數據安全等因素限制，數據壁壘很難打通。

聯邦學習成為了解決這些問題的關鍵，在不影響數據隱私和安全的情況下，對來自多方的數據進行統一的建模，進行機器學習模型的訓練，這些企業之間就能更好地進行數據協作。?

可以說，聯邦學習為構建跨行業、跨地域的大數據和人工智能生態圈提供了良好的技術支持。?考慮到在整個訓練過程中，進行模型更新的通信仍然可以向第三方或中央服務器顯示敏感信息，因此聯邦學習技術廣泛地與安全多方計算、TEE或者區塊鏈等技術結合應用，來增強聯邦學習的隱私性和去信任。

但目前已有的方法通常以降低模型性能或系統效率為代價提供隱私，因此，如何在理論和經驗上理解和平衡這些權衡，將是實現聯邦學習技術廣泛應用落地的一個相當大的挑戰。

Tags：區塊鏈ASIOASOASIS區塊鏈專業畢業后到底做什么Verasityoasys幣價格OASIS價格

比特幣交易