下载掌阅APP，畅读海量书库
立即打开
人工智能作为一门庞大的前沿交叉学科，已被广泛应用在各大实际场景，渗透到人们的日常生活中。机器学习是实现人工智能的主要途径，它一直是理论与应用的研究热点，并逐步落地了众多产品。随着大数据时代的到来，海量信息处理与存储问题凸显，分布式技术通过分散部署数据，在解决基础问题的同时提升了系统的可拓展性。与此同时，大数据带来的隐私争议从未停止，如何有效保护用户的隐私信息不被泄露是争议的核心问题。历经多年发展，隐私保护已经形成了一套基础体系，包括加密方法和扰动方法。因而，在分布式机器学习基础上融合隐私保护技术是人工智能发展的必经之路。
联邦学习是基于多重隐私保护而建立起的分布式机器学习技术，可在保证数据不出本地的前提下，联合多方进行模型训练。自2016年谷歌最先提出联邦学习技术以来，业界已有多家科技公司加入到联邦学习的生态中：微众银行开发出了首个开源的工业级联邦学习框架FATE，并牵头建立了关于联邦学习的技术标准、数据库和应用规范等；平安科技致力于打造商业级联邦智能系统，旨在推进AI新技术的业务赋能和实际落地；同盾科技、京东数科等众多企业也对联邦学习技术的发展与应用作出了显著贡献。虽然联邦学习生态搭建已初有成效，但在很多方面还有待探索。不可否认的是，人工智能领域中的新浪潮已然兴起，联邦学习将是最关键的一步。