联邦学习将带来全新的数据合作生态系统

联邦学习（Federated Learning）在 2016 年由谷歌最先提出，是一种新兴的人工智能基础技术。

在谷歌 2019 年第二季度的财报会议中，谷歌 CEO 桑达尔·皮查伊强调，对谷歌来说，联邦学习和一些其他的隐私管控是其现阶段重点的关注和努力方向。他说：“我们一直以来都很关注用户的隐私及管理，三年来我们一直在提议并推进联邦学习的使用，这也是我们现阶段的重点之一。”

最初联邦学习被用在预测安卓系统用户在使用键盘时下一步会输入的内容，也被用在谷歌的文本预测软件以及火狐浏览器 URL 搜索方面。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、保证在合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。

如下图所示，联邦学习可以让装配有 Gboard （谷歌推出的虚拟键盘）的软件在不向谷歌发送原始用户个人数据的前提下提升其 AI 模型。这样以来，用户手机中的数据还保存在用户手机中，而并未被发送或储存到某个中央云服务器中。

（来源：谷歌）

云服务器将某个人工智能算法的最新版本发送到某一用户群的设备上，然后用户的手机可以根据本地数据更新 AI 模型。这时，发送回云服务器的只是更新部分，而非更新所使用的本地数据。云服务器可以再根据接收到的更新部分，提升算法的全局状态（“global state”）。

联邦学习既可以保护用户数据，又不会影响 AI 算法的性能提升，其正在为包括医疗健康和银行业在内的、对于数据使用受到高度管控和关注的行业提供新的可能。

英伟达 AI 驱动的软硬件框架 Clara 主要针对医疗健康场景，现也支持联邦学习。其使用方包括美国放射医学院、麻省总医院、布列根和妇女医院临床数据科学中心、UCLA 医学中心等。此外，英伟达还与医疗健康领域初创公司 Owkin 合作，Owkin 主要从事使用联邦学习进行癌症患者的抗药性预测方面的业务。

（来源：英伟达）

中科院计算所泛在计算系统研究中心针对帕金森症建立了 FedHealth 框架，使用联邦学习、迁移学习、增量学习来判断病人服药前后的状况变化、用药效果等。

金融领域，中国的微众银行正与腾讯云和加拿大人工智能研究中心 Mila 合作进行联邦学习方面的研究。今年 1 月底，微众银行 AI 团队研发并推出了其联邦学习开源框架 FATE（Federated AI Technology Enabler），该框架采用了多种安全计算协议，从而保证在符合监管规定的数据保护前提下，进行跨域信息合作。

当然，联邦学习作为一个新兴概念正在越来越广泛地应用在其他领域，比如智能城市、智能制造等方面。中国公司（包括京东、华为等）也在积极布局联邦学习方面的应用，相信在未来可以看到更多联邦学习相关的落地应用。

关键词

全局模型+本地数据

通过使用联邦学习，用户可以通过使用本地数据训练 AI 模型，并只将 AI 模型的更新部分更新到中央云端。云端通过所有网络中使用者发送的模型更新来优化其模型应用。

数据多样化

联邦学习可以助力跨域合作，从而通过更加多样化的本地数据优化全局模型。

https://blog.csdn.net/weixin_42137700/article/details/104279062