为海量数据“筑高墙”联邦学习引各界关注

张一迪

近日，由华中科技大学学者联合国内电信运营商向国际电信联盟（ITU-T）提交的国际标准提案“面向物联网和智慧城市/社区的联邦机器学习需求及参考架构”，获得批准正式立项。

近两年，联邦学习概念火爆，在今年的各个人工智能大会上被多次提及。腾讯牵头设立的互联网银行微众银行在联邦学习上颇有研究，近期释放出拟上市信号的京东数科也是研究者之一。

联邦学习究竟有怎样的“魅力”，让学术界、产业界都争相开展研究？

为解决

Al隐私问题而生

在人工智能向前发展的道路上，模型、算力、芯片性能等技术层面上的问题一直是学术界持续研究的重点，人工智能技术因此能够不断演进。

不过若耍机器真正做到靠近人类思维的水平，就需使用来源于人类世界的海量真实数据对机器进行训练。

随之而来的是，数据安全、个人信息隐私等风险问题势必会成为影响人工智能赢得用户信任，从而实现大规模落地的重要因素。

在这样的大环境下，“联邦学习”就应运而生了。

联邦学习（ Fedrated Leanung）是一种机器学习技术，可以在不交换数据样本的情况下，在多个分散的边缘设备或服务器上训练算法。

这种方法与传统的集中式机器学习技术（所有的本地数据集都上传到一台服务器上）和更经典的分散式方法（假设本地数据样本是相同分布的）形成了对比。

2017年，谷歌AI在《联合学习：协作机器学习没有集中训练数据》的博客文章中首次引入“联邦学习”的概念。……