联邦学习技术应运而生！

↑↑↑关注后"星标"Datawhale

每日干货 & 每月组队学习，不错过

 Datawhale干货 

作者：王健宗等，联邦学习技术负责人

联邦学习作为一种强调数据安全和隐私保护的分布式机器学习技术，在人工智能广泛发挥作用的背景下，受到广泛关注。

人工智能技术不断发展，在不同前沿领域体现出强大活力。然而，现阶段人工智能技术的发展受到数据的限制，公众对于数据隐私更为敏感。数据孤岛和隐私问题的出现使人工智能技术发展受限，同时各机构、企业所拥有的数据又有极大的潜在应用价值。那么，如何在满足数据安全和合规要求的前提下，利用多方异构数据进一步学习以推动人工智能的发展呢？

为了解决这个问题，联邦学习技术应运而生。

什么是联邦学习

联邦学习是一种带有隐私保护、安全加密技术的分布式机器学习框架，旨在让分散的各参与方在满足不向其他参与者披露隐私数据的前提下，协作进行机器学习的模型训练。

联邦学习架构

联邦学习的架构分为两种，一种是中心化联邦（客户端/服务器）架构，一种是去中心化联邦（对等）架构。

1．客户端/服务器架构

在客户端/服务器架构中，各参与方须与中央服务器合作完成联合训练，如图1所示，过程如下：

（1）中央服务器先将初始模型分发给各参与方，然后各参