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；
Damus v1.4.0已在苹果App Store上架，支持上传视频和图像:金色财经报道，基于Nostr协议的开放社交应用Damus发推称，v1.4.0已在苹果App Store上架。该版本升级包括支持视频和图像的上传、增加本地zap通知、自动翻译以及新的时间线设计。[2023/3/29 13:32:50]
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。
kiframe Studio将用原创IP《FSLands》参加Stepn旗下mooar平台的第二季NFT LaunchPad:2月20日消息，国内动画原创公司kiframe Studio近期宣布，将用原创IP《FSLands》参加Stepn旗下mooar平台的第二季NFT LaunchPad。
《FSLands》导演，原迪士尼（Disney China）导演ChenFei提到，以web2的IP价值作为web3的价值参考点，通过web3的游戏玩法和增长，实现IP的长期价值，将抵抗传统web3经济模型过早带来的死亡螺旋。
据悉，web3团队由前蓝筹NFT项目骨干组成，在进行质押和Gamefi的后续开发，项目团队将会选择与视频平台合作，开发动画剧集和动画衍生品，其获取利润将与所有持有者分配，希望与所有持有者共同创造一个3earn2的IP项目。[2023/2/20 12:17:12]
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。?
Bobby Lee：仍看好BTC和ETH，以太坊合并或使其重回历史新高:8月14日消息，加密货币资深人士Bobby Lee表示，尽管最近市场低迷，他仍然看好BTC、ETH和更广泛的加密货币市场。
Bobby Lee在接受彭博社采访时表示，现在谈论熊市可能为时过早，如果人们关于加密寒冬的预测未能实现，BTC和ETH的价格将很容易回到2021年11月创下的历史新高。以太坊从PoW共识机制过渡到PoS的升级将成为ETH和BTC反弹至历史新高的催化剂。“另一方面，如果真的有熊市，我认为那是一到两年的短期事件。这只是为未来几年一场新的大型超级反弹奠定基础。”（The Daily Hodl）[2022/8/14 12:24:15]
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。?
上海气象博物馆将发行中国首张台风眼手绘图数字藏品:5月15日消息，上海气象博物馆将于 5 月 16 日联合文博数藏平台公益发行中国首张台风眼手绘图数字藏品，限量 3000 份。据了解，中国首张台风眼手绘图是上海气象博物馆的镇馆之宝，这次发布的数字藏品基于区块链技术进行唯一标识，拥有独一无二的链上序列号，不仅具有收藏价值，也让探索科学、普及科学变得更加有趣、多元。（新民晚报）[2022/5/15 3:17:20]
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。