下载掌阅APP，畅读海量书库
立即打开
数据是数字经济时代重要的生产要素，是构建新发展格局的重要支撑。由于数据中蕴含着大量的隐私信息和极高的商业价值，数据持有者之间以及数据拥有者和隐私服务者之间不愿意共享数据，这会导致“数据孤岛”现象日益凸显。因此，如何在“数据孤岛”之间架起桥梁，加速数据流动，进一步提升数据蕴含的商业价值，已成为当前社会广泛关注的话题。联邦学习的提出为这一问题的解决提供了可行方案。联邦学习主要用于机器学习模型的协同构建。为了实现协作式的数据统计分析，联邦分析（Federated Analytics，FA）成为主要计算模式。联邦学习和联邦分析均能够实现敏感数据不共享条件下的协同计算。此外，分割学习（Splitting Learning，SL）和辅助学习（Assisted Learning，AL）等协作模式也相继被提出，这些方法同样可以在数据不离开本地的情况下完成模型构建。值得注意的是，尽管联邦学习能够为应答者提供一定的隐私保护能力，但是其自身也面临着隐私风险，需要结合其他的隐私保护计算核心技术来增强隐私保护能力。
本章介绍联邦学习的相关知识。第3.1节介绍联邦学习的背景、工作流程及分类与特征，特别对联邦学习的隐私保证进行了详细阐述。第3.2节介绍联邦学习的相关算法。为使读者由浅入深地理解联邦学习算法，首先介绍联邦学习的基础算法——联邦平均算法，然后介绍模型性能优化、通信效率提升和个性化联邦学习方法，这些方法能够有效地提升联邦学习在实际场景下的应用效果。第3.3节介绍基于统计估计和基于数据变换这两类联邦分析算法。第3.4节介绍分割学习、辅助学习这两类协作模式。第3.5节介绍联邦学习面临的推断攻击和对抗攻击这两类潜在威胁，并介绍隐私增强的联邦学习和稳健的联邦学习这两类能够有效应对上述威胁的方法。