冲量网络|联邦学习与数据孤岛

随着云计算和大数据技术的不断发展，以人工智能为基础的数据分析与数据挖掘让大数据释放出巨大价值，但在现实中，一旦需要进一步扩大数据量，便会变得非常困难，各类数据基本都被掌握在不同的企业中，在传统互联网技术中，如果要进行协作，往往是费时费力，最后可能还没有结果，而可信计算和联邦学习的出现，将改变这种情况。

在进行数据共享时，往往会涉及到大量的隐私数据，先不说这些隐私数据是否会伤害到用户的权益，仅仅是对于数据拥有方来说，其拥有的隐私数据往往是其竞争力所在，一旦泄露，其本身的竞争力也会下降，因此，数据共享需求与数据隐私之间的矛盾。

而由此产生的结果，其会导致数据之间常常彼此割裂，使得数据孤岛出现在协作方之间，但对于需求方来说，其往往都有提高基于数据的决策能力的需求，从而取得竞争性优势，由此，就对在内外部进行数据融合产生了较大的需求。但是一个现实的问题是，整个社会对隐私保护越来越关注，监管对使用数据的要求也越来越严格。因此，需要完善的方案，在隐私保护和合规的情况下也可以进行协作。

那该如何解决数据孤岛问题？答案便是利用联邦学习技术，让数据在可信可控的情况下进行联合建模和数据融合，联邦学习最早是由谷歌在2016年提出，其能使得在数据交换的时候也能保证信息安全和个人隐私，并在保证合规和安全的情况下，使得不同机器和来自多个不同节点的计算能力相结合。

例如在医疗领域，联邦学习将能帮助医院在不暴露患者隐私的前提下进行协作，首先，云端服务器将一个统一模型下发给多个医疗机构端的服务器，每个医疗机构用本地的数据进行链接。然后通过可信计算网络进行云端同步，其完全处于加密可信状态中，然后网络将从多个医疗机构那边得到的模型训参数进行整合、更新，再发还给参与者，其便是一次完整的联邦学习过程。

当算力积少成多，我们便可以整合大规模算力，并开展高效率的机器学习。联邦学习可使用的机器学习算法不局限于神经网络，还包括随机森林等重要算法。如果两个公司希望共享数据，同时联合训练一个机器学习模型，不过他们系统之间的业务系统分别拥有各自用户的相关数据。考虑道数据隐私保护和安全，两家公司并不能直接进行数据交换，可使用联邦学习系统建立模型。

虽然联邦学习从提出到现在就三年多的时间，依然还处于快速发函的状态中，但是其为人工智能打破数据屏障和进一步发展提供了新的思路，相信在未来，联邦学习会在可信协作、人工智能中发挥更大的作用，简化数据计算中的复杂算法，减少参与者之间的互信成本。

对冲量网络而言，其将利用联邦学习技术来建设可信协作平台，帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行机器学习建模，使得联邦学习能在可信协作中大展拳脚。

冲量科技致力于促进数据生产要素在社会间的互联互通，构建可信、安全、隐私、公平、高效的“数据互链网”，提升机构间的数据流通与业务协作效率。冲量科技融合了隐私计算、区块链、容器云和人工智能等多种技术，为用户提供了可信、安全、隐私、公平与高性能的数据互联解决方案——“冲量网络”，支持用户与多个外部机构进行安全便捷的数据流通与生态协作，为营销、风控、供应链等场景提供丰富的外部数据支撑，通过人工智能算法挖掘多方数据价值，助力金融、政务、电信、互联网、医疗等行业的精细化运营。冲量科技还将可信计算、区块链、容器云和人工智能等多样化的技术资源进行汇聚，建设全球最大的可信计算公有云——“冲量云”，以低门槛、快速、便捷的方式提供隐私、安全、公平、智能、去中心化的计算服务，支持隐私智能合约、链外安全存储、安全密钥管理、可信跨链服务、可信物联网、可信联邦学习等场景的计算环境需求，打造Web3.0时代的可信基础设施。详见：www.impulse.top

—-

编译者/作者：冲量科技

玩币族申明：玩币族作为开放的资讯翻译/分享平台，所提供的所有资讯仅代表作者个人观点，与玩币族平台立场无关，且不构成任何投资理财建议。文章版权归原作者所有。