Federal Learning（联邦学习）认知

本人是学生党，同时也是小菜鸡一枚，撞运气有机会能够给老师当项目助理，在这个过程中肯定会学到一些有趣的知识，就在此平台上记录一下，在知识点方面有不对的还请各位指正。

What（什么是联邦学习？）

联邦学习（Federated Learning）是一种新兴的人工智能基础技术，在 2016 年由谷歌最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。其中，联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。

举个例子，？假设有两家公司 A 和 B 有不同的数据。例如，公司 A 拥有用

户个人资料数据; B 公司有产品特征数据和标签数据。但是两家公司不能粗暴地结合双方的数据，因为原始的数据提供者，他们的各自的用户，不同意这样做。现在的问题是如何为 A 和 B 建立更高质量

的模型。但是，因为数据不完整（例如，A 缺少标签数据，B 缺乏特征数据），

或者数据不足（数据量不足）建立一个好的模型），可能无法建立每一端的模型

或结果可能不令人满意。

，联邦学习的目的是解决这个问题：它旨在构建跨组织的模型，同时每个组织的个人数据保持在其本地环境中，并且模型参数在联合系统中的加密机制下交换。也就是说，构建虚拟共享模型而不违反数据隐私法规。此虚拟模型与通过将所有数据放在一起构建的模型具有相同的性能。但是在构建虚拟模型时，数据本身不会移动，也不会泄露隐私或影响数据规范。通过这种方式，构建的模型仅在其各自的区域中服务于本地任务。在这种联邦机制下，每个参与者的身份和地位是相同的，联邦制度帮助每个人建立“共同财富”战略，这就是为什么这个系统被称为“联邦学习”。

定义：

多个数据所有者