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；
隐私计算公链Oasis总锁仓量突破2亿美元，创历史新高:金色财经消息，据DeFi Llama数据显示，隐私计算公链Oasis总锁仓量首次突破2亿美元，创造历史新高。目前，Oasis生态锁仓量排前三的项目分别是ValleySwap、YuzuSwap、Fountain Protocol。（defillama.com）[2022/3/19 14:06:06]
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。
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。
PlatON2.0白皮书披露隐私计算网络Metis，创造安全的隐私计算范式:9月18日消息，近日，隐私AI计算网络PlatON在其社交平台发布了PlatON 2.0 白皮书第三部分的详细内容，进一步披露PlatON2.0的整体技术架构.
据了解，PlatON 2.0的隐私AI计算网络是以人工智能与隐私计算技术为核心的隐私保护解决方案，本次披露了其分三层的技术架构方案，分别是Layer1共识层、Layer2隐私计算网络Metis、Layer3 AI代理自治网络Horae 。三层架构的设计，旨在以去中心化方式聚集隐私AI计算所需的数据、算法和算力，创造安全的隐私AI计算范式。[2021/9/18 23:35:08]
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。?
中国支付清算协会发布首个隐私计算金融规范:日前，中国支付清算协会正式发布《T/PCAC 0009-2021多方安全计算金融应用评估规范》。微众银行是主要参编单位之一，全程参与规范的编写、制定。该规范是我国首个金融领域针对多方安全计算技术的评估类标准，规定了多方安全计算金融应用的评估要求，可帮助技术应用方进行技术选型，适用于多方安全计算金融应用机构、技术服务和解决方案提供商。[2021/7/9 0:40:12]
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。?
声音 | 尹航：Phala的隐私计算通过可信硬件实现:11月21日，在《金色深核》线上直播中，Phala Network联合创始人尹航介绍了Phala的隐私计算模型以及\"桥\"如何保证资产安全性。尹航表示，Phala的隐私计算通过可信硬件实现，确切的说我们目前基于Intel SGX。从Intel的第六代CPU开始，每一个CPU内部都包含一块特殊的区域，我们把它称作“安全区”。安全区是硬件层面隔离的，安全区内部署的程序在执行过程中不会被干扰，数据也不会泄露，可以抵御来自操作系统、硬件级别的攻击。因此我们把合约部署在安全区内，可以保证合约的输入、输出，以及执行过程都保密。只有用户权限足够才能解密数据。
另一方面，可信硬件提供了“远程验证”协议，用户不需要特殊硬件，只要让矿工执行合约即可，执行的同时会生成出一份密码学证明，可以被浏览器、手机钱包独立验证。在Phala.Network上，一种资产就是一个合约，代码与ERC20没什么区别，但Phala只允许交易双方解密交易数据，任何第三方都不能看到交易数据。我们会在Phala的机密智能合约中实现Libra的轻客户端轻客户端可以验证来自Libra链的数据，也可以产生并Libra交易，这样就实现了一个转街桥：用户在Libra链上把资产转入到一个锁定合约中，这次转账被pLIBRA合约观测到，就会在pLIBRA端生成对应的跨链资产。
此外，用户可以随时用pLIBRA端的资产，兑换回Libra链上的原生资产。整个过程用户都只和智能合约交互，不用引入第三方，就实现了去中心化的转街桥。未来我们会利用波卡上的桥，以及在自己的链上开发更多的桥，目标是为任何区块链提供隐私计算的能力。[2019/11/21]
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。