区块链:隐私计算词典丨联邦学习为何如此博人眼球？

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。

隐私计算网络 Oasis 推出官方钱包 Oasis Wallet:11月8日消息，区块链隐私计算网络 Oasis 推出官方钱包 Oasis Wallet，Oasis 钱包具有 Web 端、Chrome 拓展程序两种版本，满足不同用户使用偏好需求。由于助记词兼容性，网站和浏览器扩展程序之间可以进行切换。用户可以使用 Oasis 钱包进行发送、接收、质押或取消质押 ROSE 等操作，包括管理 Ledger 钱包中的 Oasis 网络生态代币 ROSE 资产、通过私钥导入 ROSE 账户、查看交易记录等。[2021/11/8 6:38:23]

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。

蚂蚁链数据隐私协作平台发布 融合区块链与隐私计算等技术:金色财经现场报道，10月22日，2021云栖大会-蚂蚁链“区块链+”可信链接技术发展与实践分论坛在杭州举行。在论坛现场，蚂蚁链数据隐私协作平台重磅发布。蚂蚁链技术总监闫莺介绍，该平台由蚂蚁链自主研发，集成了区块链+隐私计算等技术，数据治理规则坚持分类分级管理以确保数据的安全，数据可接入可审计，全链路隐私协作一体化，主要服务于政务、金融、企业等。[2021/10/22 20:49:14]

PlatON2.0白皮书披露隐私计算网络Metis，创造安全的隐私计算范式:9月18日消息，近日，隐私AI计算网络PlatON在其社交平台发布了PlatON 2.0 白皮书第三部分的详细内容，进一步披露PlatON2.0的整体技术架构.

据了解，PlatON 2.0的隐私AI计算网络是以人工智能与隐私计算技术为核心的隐私保护解决方案，本次披露了其分三层的技术架构方案，分别是Layer1共识层、Layer2隐私计算网络Metis、Layer3 AI代理自治网络Horae 。三层架构的设计，旨在以去中心化方式聚集隐私AI计算所需的数据、算法和算力，创造安全的隐私AI计算范式。[2021/9/18 23:35:08]

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。?

孙宇晨：2020年波场推出4.0升级，将隐私计算、PBFT一键发链等技术引入波场:8月5日15:00，2020年纷智云端峰会第三场直播正式开启，本场云会议由元界DNA总冠名，蚂蚁节点联盟、金色财经联合主办，主题为“DeFi领航数字金融最前沿”。

TRON波场创始人孙宇晨首先回顾了2017年在纷智峰会上诞生了诸如波场、币安、金色财经等行业顶尖的企业与公司。三年过去了，2020年波场推出了4.0强势升级，将隐私计算、企业级服务、PBFT一键发链、跨链等全球最新技术引入波场区块链，与此同时，波场入局DeFi取得强势进展，最后他祝贺2020年纷智峰会取得圆满成功。[2020/8/5]

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。?

ZB创新智库：实施隐私计算方案是区块链项目升级重要看点:老牌项目以太坊和瑞波均提“隐私计划”， V神提出利用ENS（以太坊域名技术）系统地址隐藏真正接收方的地址，只需要发送方发送一个随机数r到ENS持有者公布的公钥P*r的地址上。Ripple开发部门也提出在瑞波系统加入盲签名实现匿名，增加对STREAM协议的支持。ZB创新智库分析师表示，老牌项目下一代升级的最重要的看点之一就是隐私计算方案的实施，这也将进一步凸显区块链技术在面对当前互联网隐私泄露事件频发，在数据隐私保护方面体现新技术的竞争优势。[2020/4/2]

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。

标签：区块链OASASISIS区块链技术最早应用于Eternal OasisAsia Influencer PlatformSIS币

火星币热门资讯