近年來，人工智能相關(guān)技術(shù)持續(xù)演進(jìn)，與云計(jì)算、大數(shù)據(jù)、物聯(lián)網(wǎng)、5G等技術(shù)不斷融合，成為引領(lǐng)未來的新興戰(zhàn)略性技術(shù)，是驅(qū)動新一輪科技革命和產(chǎn)業(yè)變革的重要力量。

在新科技革命和產(chǎn)業(yè)變革的大背景下，人工智能產(chǎn)業(yè)化和商業(yè)化進(jìn)程不斷提速，正在加快與千行百業(yè)深度融合，正在促進(jìn)新興產(chǎn)業(yè)之間、新興產(chǎn)業(yè)與傳統(tǒng)產(chǎn)業(yè)之間以及技術(shù)與社會的跨界融合發(fā)展。

中國軟件網(wǎng)、海比研究院認(rèn)為，人工智能與產(chǎn)業(yè)深度融合，將成為企業(yè)釋放數(shù)字化疊加倍增效應(yīng)、加快戰(zhàn)略新興產(chǎn)業(yè)發(fā)展、構(gòu)筑綜合競爭優(yōu)勢的必然選擇，全面梳理人工智能技術(shù)、應(yīng)用的發(fā)展態(tài)勢，對推動人工智能持續(xù)健康發(fā)展至關(guān)重要。

為此，中國軟件網(wǎng)、海比研究院特別推出了“人工智能行業(yè)洞察”系列報(bào)道，通過對人工智能技術(shù)、應(yīng)用、企業(yè)等深度報(bào)道，助力企業(yè)數(shù)字化、智能化。

目前，中國軟件網(wǎng)、海比研究院已經(jīng)推出的AI報(bào)道包括：

·HR擁抱人工智能，8大場景重塑無限可能

·一文透視“北京智源大會”十大AI熱點(diǎn)

·讓機(jī)器人解惑傳道，對話式AI能否為企業(yè)帶來巨量的業(yè)務(wù)

·MLOps：讓AI應(yīng)用周期從9個月縮短到幾天

·超大規(guī)模與輕量化模型，誰會成為AI主流？

·大型機(jī)沒有滅亡，反而正成為AI、混合云的寵兒

·向死而生，浴火重生，創(chuàng)新能讓AI芯片新生？

·從蜂擁而上到紛紛退場，AI芯片誰在“裸泳”？

·谷歌微軟阿里華為都愛上大模型，AI開發(fā)邊界被打破

兩個百萬富翁街頭邂逅，想比比誰更有錢。但是出于隱私，都不想讓對方知道自己到底擁有多少財(cái)富。在不借助第三方的情況下，如何讓他們彼此知道誰更有錢呢？

這就是姚期智院士在1982年提出的隱私計(jì)算領(lǐng)域經(jīng)典的“百萬富翁”問題。

其實(shí)，在手機(jī)輸入法的下一個詞預(yù)測、疑難疾病診斷、汽車自動駕駛、智能家居系統(tǒng)等AI應(yīng)用中，同樣面臨著需要大量數(shù)據(jù)進(jìn)行模型訓(xùn)練，又需要保護(hù)用戶數(shù)據(jù)背后的隱私的問題。

作為一種機(jī)器學(xué)習(xí)方法，聯(lián)邦學(xué)習(xí)的核心理念是“數(shù)據(jù)不動模型動”，通過用戶數(shù)據(jù)不出本地的方式，完成云端模型訓(xùn)練，實(shí)現(xiàn)了“數(shù)據(jù)可用不可見”，成為隱私保護(hù)計(jì)算的主流技術(shù)之一。

海比研究院認(rèn)為，目前以聯(lián)邦學(xué)習(xí)為核心代表的隱私計(jì)算技術(shù)逐步發(fā)展，并在實(shí)踐中不斷走向成熟，正處于隱私計(jì)算商業(yè)引爆的前夜，2022年或成為規(guī)?；虡I(yè)落地的第一年。

1．理念：聯(lián)邦學(xué)習(xí)為機(jī)器學(xué)習(xí)開了一扇窗

AI模型需要大量的數(shù)據(jù)來訓(xùn)練，而沒有數(shù)據(jù)和數(shù)據(jù)背后隱私如何保證呢？

目前全球有30億部智能手機(jī)和70億臺連接設(shè)備，這些手機(jī)和設(shè)備不斷生成新數(shù)據(jù)。傳統(tǒng)的機(jī)器學(xué)習(xí)需要在處理數(shù)據(jù)之前集中收集數(shù)據(jù)，以產(chǎn)生機(jī)器學(xué)習(xí)模型和最終形成更好的產(chǎn)品。

如果我們能夠在生成數(shù)據(jù)的設(shè)備上運(yùn)行數(shù)據(jù)分析和機(jī)器學(xué)習(xí)，并且仍然能夠?qū)⑺鶎W(xué)知識匯總在一起，那不是更好嗎？

AI模型是靠數(shù)據(jù)來“喂養(yǎng)”的，而且需要大量優(yōu)質(zhì)的數(shù)據(jù)?，F(xiàn)實(shí)生活中，除了少數(shù)巨頭公司能夠具備這樣條件外，絕大多數(shù)企業(yè)都存在數(shù)據(jù)量少、數(shù)據(jù)質(zhì)量差的問題，不足以支撐人工智能技術(shù)的實(shí)現(xiàn)。

另外，數(shù)據(jù)是分散在不同地方的，放在不同的數(shù)據(jù)中心和不同的國家的，因?yàn)楦鱾€國家都有一些數(shù)據(jù)保護(hù)法規(guī)，很難把數(shù)據(jù)拿出來。

有些客戶的數(shù)據(jù)量太大，沒辦法放在一個數(shù)據(jù)中心，可能需要放在多個城市、多個地方。

還有一種情況是不同的企業(yè)之間要進(jìn)行數(shù)據(jù)共享、數(shù)據(jù)交換，但是因?yàn)閿?shù)據(jù)的隱私，如《網(wǎng)絡(luò)安全法》合規(guī)要求等，無法把原始數(shù)據(jù)直接給別人。

在這些情況下，催生聯(lián)邦學(xué)習(xí)技術(shù)。

谷歌首倡的聯(lián)邦學(xué)習(xí)正在不斷發(fā)展進(jìn)化。

聯(lián)邦學(xué)習(xí)（Federated  Learning）是一種新興的人工智能基礎(chǔ)技術(shù)，在2016 年由谷歌最先提出，用于解決安卓手機(jī)終端用戶在本地更新模型的問題。其設(shè)計(jì)目標(biāo)是在保障大數(shù)據(jù)交換時的信息安全、終端數(shù)據(jù)和個人數(shù)據(jù)隱私、合法合規(guī)的前提下，在多參與方或多計(jì)算結(jié)點(diǎn)之間開展高效率的機(jī)器學(xué)習(xí)。

信通院的報(bào)告認(rèn)為，聯(lián)邦學(xué)習(xí)本質(zhì)上是一種分布式機(jī)器學(xué)習(xí)框架，能做到了在保障數(shù)據(jù)隱私安全及合法合規(guī)的基礎(chǔ)上，實(shí)現(xiàn)數(shù)據(jù)共享，共同建模。

其核心思想是在多個數(shù)據(jù)源共同參與模型訓(xùn)練時，不需要進(jìn)行原始數(shù)據(jù)流轉(zhuǎn)的前提下，僅通過交互模型中間參數(shù)進(jìn)行模型聯(lián)合訓(xùn)練，原始數(shù)據(jù)可以不出本地。這種方式實(shí)現(xiàn)數(shù)據(jù)隱私保護(hù)和數(shù)據(jù)共享分析的平衡，即“數(shù)據(jù)可用不可見”的數(shù)據(jù)應(yīng)用模式。

總體來說，聯(lián)邦學(xué)習(xí)技術(shù)，可以實(shí)現(xiàn)多個機(jī)構(gòu)間構(gòu)建統(tǒng)一的數(shù)據(jù)安全、高效、合規(guī)的多源數(shù)據(jù)應(yīng)用生態(tài)系統(tǒng)，實(shí)現(xiàn)跨機(jī)構(gòu)的數(shù)據(jù)共享融合，通過系統(tǒng)擴(kuò)大樣本量、增加數(shù)據(jù)維度為大數(shù)據(jù)應(yīng)用提供高精度模型構(gòu)建的有力支撐，進(jìn)而提供更豐富、高質(zhì)量的大數(shù)據(jù)服務(wù)。

聯(lián)邦學(xué)習(xí)的目標(biāo)是在保證數(shù)據(jù)隱私安全及合法合規(guī)的基礎(chǔ)上，實(shí)現(xiàn)共同建模，提升AI模型的效果。

由此我們可以發(fā)現(xiàn)，聯(lián)邦學(xué)習(xí)本質(zhì)上是一種分布式機(jī)器學(xué)習(xí)技術(shù)，或機(jī)器學(xué)習(xí)框架。聯(lián)邦學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的一個新興領(lǐng)域，與傳統(tǒng)的集中式機(jī)器學(xué)習(xí)方法相比，具有顯著的優(yōu)勢。

一是保護(hù)數(shù)據(jù)安全，將訓(xùn)練數(shù)據(jù)集保留在設(shè)備上，因此模型不需要數(shù)據(jù)池。

二是保護(hù)數(shù)據(jù)多樣性。邊緣設(shè)備中的網(wǎng)絡(luò)不可用，可能會阻止公司合并來自不同來源的數(shù)據(jù)集。而聯(lián)邦學(xué)習(xí)有助于訪問異構(gòu)數(shù)據(jù)，即使在數(shù)據(jù)源只能在特定時間進(jìn)行通信的情況下也是如此。

三是實(shí)時持續(xù)學(xué)習(xí)，使用客戶數(shù)據(jù)不斷改進(jìn)模型，無需聚合數(shù)據(jù)即可持續(xù)學(xué)習(xí)。

四是提升硬件效率，這種方法可以使用不太復(fù)雜的硬件，因?yàn)槁?lián)邦學(xué)習(xí)模型不需要一個復(fù)雜的中央服務(wù)器來分析數(shù)據(jù)。

2．技術(shù)：開源聯(lián)邦學(xué)習(xí)框架興起

了解聯(lián)邦學(xué)習(xí)的分類，可能有利于了解其技術(shù)和應(yīng)用的范圍。

按照數(shù)據(jù)特征與分布方式的不同，聯(lián)邦學(xué)習(xí)可以分為三類：

橫向聯(lián)邦學(xué)習(xí)，在特征趨同的情況下對不同樣本進(jìn)行聯(lián)合互補(bǔ)，用更大的樣本數(shù)據(jù)提升現(xiàn)有模型的精度。

比如罕見病研究中，每個醫(yī)院病例的數(shù)據(jù)維度基本一致，且病例樣本有限，通過聯(lián)邦學(xué)習(xí)可以在保障隱私的前提下，匯聚不同醫(yī)藥的相同病癥的數(shù)據(jù)，提高模型訓(xùn)練的能力。

而縱向聯(lián)邦學(xué)習(xí)，比如同一個人，在樣本趨同的情況下，對不同特征進(jìn)行聯(lián)合互補(bǔ)，用更多的特征數(shù)據(jù)，補(bǔ)全對某一客戶樣本的畫像。

比如同一地區(qū)的銀行、電商、運(yùn)營商等用戶集可能包含該區(qū)域的大多數(shù)居民，但不同機(jī)構(gòu)用戶數(shù)據(jù)特征不同，如果希望基于用戶的購買、收支、位置等數(shù)據(jù)進(jìn)行信用等級評估，需要融合三方數(shù)據(jù)做回歸模型。

遷移聯(lián)邦學(xué)習(xí)則是一類樣本上面統(tǒng)一的模型，可以遷移到另外一批數(shù)據(jù)上面。有一些不同企業(yè)數(shù)據(jù)之間可能是互相影響的，就需要用個性聯(lián)邦學(xué)習(xí)來做統(tǒng)一的分析。

遷移聯(lián)邦學(xué)習(xí)適用于兩個數(shù)據(jù)集的重疊較少，不僅樣本不同，而且特征空間也有很大差異的場景下。

用于聯(lián)邦學(xué)習(xí)的流行框架包括Tensorflow Federated、Federated AI Technology Enabler（FATE）和PySyft，以及國內(nèi)的FederatedScope。

PySyft是一個基于深度學(xué)習(xí)庫PyTorch的開源聯(lián)合學(xué)習(xí)庫，在主流深度學(xué)習(xí)框架PyTorch和TensorFlow等中使用聯(lián)邦學(xué)習(xí)，差分隱私和加密計(jì)算（如多方計(jì)算（MPC）、同態(tài)加密（HE））將隱私數(shù)據(jù)與模型訓(xùn)練分離。

據(jù)介紹，PyTorch支持聯(lián)邦學(xué)習(xí)、安全多方計(jì)算、差分隱私等，可擴(kuò)展，貢獻(xiàn)者可接入新的FL、MPC或DP方法，運(yùn)算時間是純PyTorch的約46～70倍。

Tensorflow Federated是基于Google的Tensorflow平臺的開源聯(lián)邦學(xué)習(xí)框架。該方法使許多參與的客戶端能夠訓(xùn)練共享的機(jī)器學(xué)習(xí)模型，同時將其數(shù)據(jù)保存在本地。

除了使用戶能夠創(chuàng)建自己的算法外，Tensorflow Federated還允許用戶在自己的模型和數(shù)據(jù)上模擬許多包含的聯(lián)邦學(xué)習(xí)算法。

FATE是由Webank AI設(shè)計(jì)的開源框架，旨在為Federated AI生態(tài)系統(tǒng)提供安全的計(jì)算框架。它基于同態(tài)加密和多方計(jì)算（MPC）實(shí)現(xiàn)安全的計(jì)算協(xié)議。它支持聯(lián)邦學(xué)習(xí)體系結(jié)構(gòu)和各種機(jī)器學(xué)習(xí)算法的安全計(jì)算，包括邏輯回歸、深度學(xué)習(xí)和遷移學(xué)習(xí)等。

今年，阿里達(dá)摩院智能計(jì)算實(shí)驗(yàn)室研發(fā)布了新型聯(lián)邦學(xué)習(xí)框架Federated Scope，并開源，希望促進(jìn)隱私保護(hù)計(jì)算在研究和生產(chǎn)中的廣泛應(yīng)用。

達(dá)摩院使用了事件驅(qū)動的編程范式來構(gòu)建聯(lián)邦學(xué)習(xí)，即將聯(lián)邦學(xué)習(xí)看成是參與方之間收發(fā)消息的過程，通過定義消息類型以及處理消息的行為來描述聯(lián)邦學(xué)習(xí)過程。

通過這一方式，F(xiàn)ederated Scope實(shí)現(xiàn)了支持在豐富應(yīng)用場景中進(jìn)行大規(guī)模、高效率的聯(lián)邦學(xué)習(xí)異步訓(xùn)練。

達(dá)摩院團(tuán)隊(duì)對Federated Scope訓(xùn)練模塊進(jìn)行抽象，使其不依賴特定的深度學(xué)習(xí)后端，能兼容PyTorch、Tensorflow等不同設(shè)備運(yùn)行環(huán)境，大幅降低了聯(lián)邦學(xué)習(xí)在科研與實(shí)際應(yīng)用中的開發(fā)難度和成本。

為進(jìn)一步適應(yīng)不同應(yīng)用場景，F(xiàn)ederated Scope還集成了多種功能模塊，包括自動調(diào)參、隱私保護(hù)、性能監(jiān)控、端模型個性化等。

3．市場：解決ML規(guī)?；俺杀镜裙こ虇栴}

市場研究機(jī)構(gòu)KBV預(yù)言，全球聯(lián)邦學(xué)習(xí)市場規(guī)模，預(yù)計(jì)到2028年達(dá)到1．987億美元，在預(yù)測期間內(nèi)將以11．1％的年復(fù)合成長率增長。

亞太地區(qū)的聯(lián)邦學(xué)習(xí)市場在預(yù)測期間（2022－2028年）將見證11．7％的復(fù)合年增長率。中國市場在2021年按國家劃分的亞太地區(qū)聯(lián)邦學(xué)習(xí)市場占主導(dǎo)地位，并將在未來幾年繼續(xù)成為主導(dǎo)市場。

同樣，中國的《網(wǎng)絡(luò)安全法》和《民法通則》等相繼頒布，規(guī)定互聯(lián)網(wǎng)企業(yè)不得泄露、篡改或破壞其收集的個人數(shù)據(jù)，在與第三方進(jìn)行數(shù)據(jù)傳輸時，必須確保提交的合同明確描述要交換的數(shù)據(jù)范圍和數(shù)據(jù)保護(hù)義務(wù)。在不同程度上，這些法規(guī)的實(shí)施為人工智能的典型數(shù)據(jù)處理提出新的要求，同時也促進(jìn)聯(lián)邦學(xué)習(xí)等市場的發(fā)展。

而國內(nèi)的市場研究機(jī)構(gòu)認(rèn)為，包括聯(lián)邦學(xué)習(xí)在內(nèi)的隱私計(jì)算將快速落地，服務(wù)企業(yè)智能應(yīng)用發(fā)展。

與傳統(tǒng)的機(jī)器學(xué)習(xí)領(lǐng)域不同，新興的聯(lián)邦學(xué)習(xí)并不是因技術(shù)研究的推進(jìn)而產(chǎn)生的，而是在實(shí)際應(yīng)用中為解決數(shù)據(jù)隱私的問題而產(chǎn)生。因其特殊性，專家普遍認(rèn)為“該技術(shù)正在進(jìn)行工程化驗(yàn)證其廣泛使用的可行性，解決規(guī)模化及成本等工程問題”。

市場參與者遵循的主要策略是產(chǎn)品發(fā)布。根據(jù)KVB公司分析，微軟和谷歌是聯(lián)邦學(xué)習(xí)市場的先驅(qū)，英偉達(dá)（Nvidia）、IBM等公司是市場上的一些關(guān)鍵創(chuàng)新者，還包括英特爾、Cloudera、Edge Delta、DataFleets、Enveil和Secure AI Labs等參與者。

中國云服務(wù)商、AI企業(yè)和大數(shù)據(jù)企業(yè)如阿里云、騰訊云、第四范式等都進(jìn)入隱私計(jì)算領(lǐng)域，其聯(lián)邦學(xué)習(xí)平臺正在擴(kuò)大應(yīng)用落地。

聯(lián)邦學(xué)習(xí)市場增長的主要因素是應(yīng)用和協(xié)作學(xué)習(xí)。

一是在眾多應(yīng)用中增強(qiáng)數(shù)據(jù)隱私。借助聯(lián)邦學(xué)習(xí)，機(jī)器學(xué)習(xí)方法的提供方式正在不斷發(fā)展。使用聯(lián)邦學(xué)習(xí)，企業(yè)可以加強(qiáng)現(xiàn)有的算法并改進(jìn)其AI應(yīng)用，小公司也可以發(fā)展自己的AI應(yīng)用。在醫(yī)療保健領(lǐng)域，聯(lián)邦學(xué)習(xí)可以幫助醫(yī)療保健人員提供高質(zhì)量的結(jié)果，同時加速藥物開發(fā)，成為集中學(xué)習(xí)不足的一項(xiàng)補(bǔ)救措施。

二是實(shí)現(xiàn)不同用戶之間的協(xié)作學(xué)習(xí)。聯(lián)邦學(xué)習(xí)不是將數(shù)據(jù)保存在單臺計(jì)算機(jī)或數(shù)據(jù)集市上，而是將數(shù)據(jù)存儲在原始來源上，如智能手機(jī)、制造檢測設(shè)備、其他終端設(shè)備以及隨時隨地訓(xùn)練的機(jī)器學(xué)習(xí)機(jī)，有助于在被發(fā)送到集中式服務(wù)器之前做出決策。

例如，聯(lián)邦學(xué)習(xí)在金融部門被廣泛用于債務(wù)風(fēng)險(xiǎn)評估。通常銀行使用白名單流程根據(jù)客戶的信用卡信息將客戶排除在集中儲備系統(tǒng)之外。風(fēng)險(xiǎn)評估變量，如稅收和聲譽(yù)，可以通過與其他金融機(jī)構(gòu)和電子商務(wù)企業(yè)合作來使用。

但是市場制約因素是缺乏熟練的技術(shù)專業(yè)人員。由于訓(xùn)練有素的人員（尤其是IT專家）的稀缺，許多企業(yè)在將機(jī)器學(xué)習(xí)集成到現(xiàn)有工作流程中時遇到了障礙。由于聯(lián)邦學(xué)習(xí)系統(tǒng)是一個新概念，因此人們很難掌握和執(zhí)行它們。招聘和維護(hù)技術(shù)技能成為公司的主要關(guān)注點(diǎn)。

4．應(yīng)用：面向?qū)嶋H場景的優(yōu)化等亟待解決

在聯(lián)邦學(xué)習(xí)的應(yīng)用方面，一方面應(yīng)用場景不斷增多，如藥物發(fā)現(xiàn)、風(fēng)險(xiǎn)管理、在線視覺對象檢測、數(shù)據(jù)隱私和安全管理、工業(yè)物聯(lián)網(wǎng)、增強(qiáng)現(xiàn)實(shí)／虛擬現(xiàn)實(shí)、購物體驗(yàn)個性化等。

另一方面，基于垂直行業(yè)，醫(yī)療保健和生命科學(xué)、BFSI、IT和電信、能源和公用事業(yè)、制造、汽車和運(yùn)輸、零售和電子商務(wù)等應(yīng)用都開始應(yīng)用聯(lián)邦學(xué)習(xí)技術(shù)。

介紹幾大典型應(yīng)用場景。

政務(wù)數(shù)據(jù)交換。政務(wù)大數(shù)據(jù)蘊(yùn)含著巨大的經(jīng)濟(jì)與社會價值，其開放與共享對于促進(jìn)政府自身轉(zhuǎn)型、社會需求獲取模式轉(zhuǎn)型、打造智慧城市以及產(chǎn)業(yè)經(jīng)濟(jì)轉(zhuǎn)型都具有重要意義。

在政務(wù)數(shù)據(jù)開放共享的過程中，由于缺乏可信的數(shù)據(jù)資產(chǎn)權(quán)利確認(rèn)方案，導(dǎo)致政府部門不愿意共享數(shù)據(jù)。因缺乏有效的隱私安全保護(hù)技術(shù)，數(shù)據(jù)共享后無法限制數(shù)據(jù)用途，導(dǎo)致數(shù)據(jù)濫用和隱私泄露等問題，政府部門共享數(shù)據(jù)意愿較低。

聯(lián)邦學(xué)習(xí)可以與大數(shù)據(jù)開發(fā)組件集成，打破政府部門數(shù)據(jù)孤島，實(shí)現(xiàn)跨部門、與社會數(shù)據(jù)等安全共享。除了提供“脫敏”、“審計(jì)”和“細(xì)粒度權(quán)限控制”等措施外，可以實(shí)現(xiàn)數(shù)據(jù)資源的定向使用，防范申請權(quán)限獲批后的數(shù)據(jù)濫用或二次分發(fā)等行為導(dǎo)致的隱私泄露問題。

移動應(yīng)用。聯(lián)邦學(xué)習(xí)可用于從智能手機(jī)的數(shù)據(jù)池中構(gòu)建用戶行為模型，而不會泄露個人數(shù)據(jù)，如用于下一個單詞預(yù)測、人臉檢測、語音識別等。Google使用聯(lián)邦學(xué)習(xí)來改進(jìn)設(shè)備上的機(jī)器學(xué)習(xí)模型，例如Google Assistant中的“Hey Google”，允許用戶發(fā)出語音命令。

醫(yī)療保健和健康保險(xiǎn)行業(yè)?？梢岳寐?lián)邦學(xué)習(xí)，保護(hù)原始源中的敏感數(shù)據(jù)，可以通過從不同位置（如醫(yī)院、電子健康記錄數(shù)據(jù)庫等）收集數(shù)據(jù)來診斷罕見疾病，從而提供更好的數(shù)據(jù)多樣性。

自動駕駛汽車。為了正常運(yùn)行，自動駕駛汽車可能需要更新的建筑、交通或行人行為模型。由于隱私問題和每個設(shè)備的連接受限，在這些情況下構(gòu)建聚合模型可能具有挑戰(zhàn)性。聯(lián)邦學(xué)習(xí)方法可以訓(xùn)練模型，可以在尊重用戶隱私的同時快速響應(yīng)這些系統(tǒng)中的變化。聯(lián)邦學(xué)習(xí)可以通過實(shí)時數(shù)據(jù)和預(yù)測提供更好、更安全的自動駕駛汽車體驗(yàn)。

制造行業(yè)預(yù)測性維護(hù)。制造公司可以使用聯(lián)邦學(xué)習(xí)模型來開發(fā)設(shè)備的預(yù)測性維護(hù)模型。預(yù)測性維護(hù)可能會面臨一些障礙，如客戶不想共享其個人數(shù)據(jù)或從不同國家／站點(diǎn)導(dǎo)出數(shù)據(jù)問題。聯(lián)邦學(xué)習(xí)可以通過使用本地?cái)?shù)據(jù)集來處理這些挑戰(zhàn)。

盡管聯(lián)邦學(xué)習(xí)技術(shù)因工程而生，但由于其處于萌芽階段，專家認(rèn)為該領(lǐng)域缺少足夠多的實(shí)際應(yīng)用案例，且面向?qū)嶋H場景的優(yōu)化等問題也亟待解決。

業(yè)界經(jīng)常用“數(shù)據(jù)不動模型動”和“讓數(shù)據(jù)可用不可見”來概括聯(lián)邦學(xué)習(xí)的基本原理。在保障大數(shù)據(jù)交換時的信息安全、保護(hù)終端數(shù)據(jù)和個人數(shù)據(jù)隱私、保證合法合規(guī)的前提下，聯(lián)邦學(xué)習(xí)這一新興的人工智能基礎(chǔ)技術(shù)，在多參與方或多計(jì)算結(jié)點(diǎn)之間可以開展高效率的機(jī)器學(xué)習(xí)，是一項(xiàng)值得期待的技術(shù)。

　　更多信息可以來這里獲取==>>電子技術(shù)應(yīng)用-AET<<