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。
隐私计算公链Oasis将于北京时间4月11日17时进行Damask升级:4月11日消息，隐私计算公链Oasis网络将于北京时间4月11日17时进行Damask升级。本次升级中ParaTime交易处理传输通道被重新设计，Emerald ParaTime 的最低 Gas 价格从当前的 10 nROSE 增加到 100 nROSE，以避免增加网络拥堵，保证Emerald用户交易及时处理，大多数交易的Gas费用将保持在 0.05 ROSE 以下。此外，验证者数量将从 110 增加到 120。?[2022/4/11 14:17:28]
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。?
区块链隐私计算平台Oasis将于4月底进行网络升级:区块链隐私计算平台Oasis宣布将于UTC时间4月28号16:00进行网络升级，主要升级内容或功能包括轻客户端和Checkpoint同步、基于SCRAPE的随机信标、新的链上治理服务框架、每个账户增设受益人津贴功能、共识层和ParaTime之间的ROSE传输、增加可自定义的自治ParaTime等。此外，Oasis网络从当前的80个验证者增加到100个。Oasis表示，本次升级将会提升开发者体验、前端体验以及通向以太坊的跨链之路。[2021/4/15 20:21:14]
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。?
波卡隐私计算平行链Phala正在准备预备主网开发计划:12月13日，波卡上的隐私计算平行链PhalaNetwork发布最新周报，内容显示团队已准备预备主网开发计划。当前全网算力值超过270,000，相当于3857个CPU核心在为Phala提供隐私算力。[2020/12/14 15:07:11]
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。?
分析 | 隐私计算在云计算、分布式计算网络和区块链等方向有广阔发展前景:通证通研究院发表区块链技术引卷系列专题之八《隐私计算：动态的加密技术》。隐私计算技术是密码学的一个前沿发展方向，填补了数据在计算环节隐私性问题的空白，为云计算、分布式计算网络和区块链等技术的应用提供隐私性基础，有全同态加密、多方安全计算、零知识证明等技术方向。全同态加密提供了对加密数据的处理能力，安全多方计算解决互不信任的参与方在保护各自隐私的前提下协同计算的问题，零知识证明解决在不泄露某一秘密的前提下向证明者证明自身确实拥有秘密的难题。隐私计算在云计算、分布式计算网络和区块链三个方向有广阔发展前景，但目前其计算效率仍受技术瓶颈限制。[2019/5/31]
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。
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。