2022-02-17-中国信通院-联邦学习场景应用研究报告（2022年）_70页_1mb

联邦学习简介

• 数据隐私安全与数据孤岛问题：数据在共享与交换过程中存在安全风险，联邦学习应运而生。
• 联邦学习定义：一种分布式机器学习框架，通过交互模型中间参数实现多数据源联合建模，数据不出本地，实现“数据可用不可见”。
• 主要作用：解决数据碎片化问题，通过机器学习挖掘数据价值，提高AI模型精度，同时保障数据隐私安全。
• 技术优势：实现多个机构间构建统一数据安全、高效、合规的应用生态系统，扩大样本量和数据维度，为大数据应用提供高精度模型支撑。

联邦学习发展历程

• 传统隐私保护：数据脱敏、消隐等技术存在局限，无法完全保障数据隐私。
• 联邦学习：通过分布式算法，实现数据不流动的共享融合。
• 安全联邦学习：结合可信计算、同态加密、多方安全计算等技术，弥补普通联邦学习的安全漏洞。

联邦学习进阶

• 技术原理：公共服务器协调各节点计算，交换加密梯度，实现模型联合训练。
• 分类：按数据分布模式（横向、纵向、迁移学习）、拓扑结构（星状、环状、点对点）和模型精度（无损、近似）进行划分。
• 模型：支持结构化、非结构化、基因和图像数据在多种场景下的应用。
• 安全：存在中间参数被攻击的风险，需采用多种隐私保护技术组合实现全链路保护。
• 性能：不同技术路线在计算效率、支持场景和理论支持方面存在差异。

应用场景

• 政务开放：破解数据孤岛，实现跨部门安全共享。
• 医疗应用：支持全基因组关联分析、病种风险预测等场景，构建隐私安全的联合分析框架。
• 金融应用：信贷风控、营销风控、联合反欺诈、小微服务、反洗钱监管等，提升风控模型效果和数据利用效率。
• 数字广告：解决数据孤岛与隐私安全挑战，提升AI联合建模效率和精准度，实现流量反作弊。
• 物流行业：安全评估“先寄后付”客户风险，支持物流行业降本增效。

展望

• 政策引导：完善法规，鼓励联邦学习发展，释放行业红利。
• 应用场景：凝聚共识，加快场景探索，形成示范应用。
• 标准建设：推动平台互联互通，构建开放的联邦数据网络生态。