隐私计算词典丨联邦学习为何如此博人眼球？
论道隐私计算前言：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（Federated Learning），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。?
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：（虚线框内为横向联邦学习的训练数据）?
- 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：（虚线框内为纵向联邦学习的训练数据）
- 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。
