隱私計算詞典丨聯邦學習為何如此博人眼球？_區塊鏈

前言：隱私計算賽道作為當下的風口賽道，無數企業紛紛涌入，搶跑占道。作為一家專注于區塊鏈隱私計算賽道科普入門的垂直媒體，同時也是針對隱私計算興趣者開放的“純天然”、低門檻入口，我們匯總并分類了隱私計算行業內晦澀難懂的名詞，編寫了「隱私計算詞典」板塊，幫助大家理解、學習。?

此篇，我們來了解隱私計算技術架構的第三部分——聯邦學習。

近年來，從無人駕駛汽車，到AlphaGo擊敗頂尖的真人圍棋手等等，AI人工智能在科技領域的發展著實吸引了足夠多人的眼球。

然而，發展至今的AI人工智能仍面臨兩大現實問題：

行業數據分散且收集困難，數據以孤島的形式存在；

Axie Infinity Builders推出“Mavis Hub：Greenlight”計劃:金色財經報道，作為 Axie Infinity 構建者計劃的一部分，Sky Mavis 推出了 Mavis Hub：Greenlight。該計劃旨在培養 Axie 生態系統中的新游戲開發者，為他們提供一個與社區分享早期游戲版本的平臺。它還提供了額外的工具和潛在的資金來支持他們的游戲開發工作。Mavis Hub 還引入了投票系統，促進社區參與和在平臺上列出 Axie 游戲的競爭。[2023/8/9 21:33:31]

隱私得不到保障，安全共享數據成為了一道壁壘。

針對此，人們提出了一種名為「聯邦學習」的隱私計算技術。

汽車共享公司ELOOP通過Peaq區塊鏈將其服務代幣化:金色財經報道，汽車共享服務公司 ELOOP 和 Peaq（物聯網經濟的 Web3 網絡）宣布 100 輛特斯拉已通過 Peak 網絡進行代幣化。ELOOP 已為其 200 多輛車隊中的近一半配備了基于區塊鏈的自我主權 ID，用于標記化目的。 區塊鏈集成允許用戶擁有一部分車隊并分享汽車從日常共享運營中產生的收入。[2023/6/27 22:03:50]

聯邦學習，又名聯邦機器學習、聯合學習。它是AI人工智能的一門分支技術，旨在保障大數據交換時的信息安全、數據保護，在合法合規的前提下，有效幫助多行業的數據進行機器學習建模。

隱私保護是聯邦學習最主要的關注點，在實際的應用中，聯邦學習通過將數據的不同特征在加密的狀態下加以聚合，以增強機器學習模型能力，再通過共享數據模型，避開原始數據共享，進而保證了數據的安全性。?

DappRadar研究人員：Arbitrum空投對DeFi表現出興趣:金色財經報道，DappRadar 的研究主管 Pedro Herrera 表示，傳統市場的銀行業緊張局勢以及監管機構對中心化交易所的打擊可能會促使用戶轉向去中心化金融應用程序。如果你開始看到 DeFi 的這些用例如何開始適應并賦予你更多的自主權來基本管理自己的資產和投資，這就是 DeFi 被高度使用的原因。像 Arbitrum 這樣的項目正在他們的社區中創造一種忠誠度和參與感，這反過來又可以“吸引開發人員構建更好的產品，并最終吸引更多用戶參與該項目。

DappRadar 的一份新報告發現，第一季度 DeFi 鎖定的總價值從去年第四季度的 600 億美元增長了 37% 至 833 億美元。[2023/4/4 13:43:11]

利用聯邦學習的特點，即使是不導出企業數據的情況下，也能為三方或多方建立機器學習模型，既充分保護了數據隱私和數據安全，又為客戶提供個性化、有針對性的服務，實現了互惠互利。?

V神：硬件錢包被高估，資產應存入多簽錢包:8月15日消息，以太坊創始人 Vitalik Buterin 表示，硬件錢包被高估了，大多數人應該將其持有的大部分 Token 存入多重簽名（≥5 名參與者）之中，并確保占其中多數比例的密鑰由值得信賴的家人和朋友持有。[2022/8/15 12:26:55]

同時，我們可以利用不同類別的聯邦學習技術來解決數據異質性問題，突破傳統AI技術的局限性。依照參與建模的數據源分布，聯邦學習可分為橫向聯邦學習、縱向聯邦學習和聯邦遷移學習三類。?

橫向聯邦學習

?假設收集兩個數據集，這兩個數據集用戶特征重疊多，而用戶重疊少。我們把數據集按照用戶維度切分，取出雙方用戶特征相同，而用戶不完全相同的部分數據作為機器的訓練數據，這種模型稱為橫向聯邦學習。?

例如，兩個不同行政區的銀行，用戶群體分別來自所在行政區，重疊部分少。但是同作為銀行，業務類似，因此數據集收集的用戶特征則大體相同。因此，橫向聯邦學習模型收集的是兩個數據集不完全相同的用戶部分。?

如下圖所示：?

縱向聯邦學習

與橫向聯邦學習相反，在兩個數據集用戶重疊多、用戶特征重疊少的情況下，縱向聯邦學習把數據集按照數據特征維度切分，取出雙方用戶相同，而用戶特征不完全相同的部分作為機器訓練數據。?

例如，同一個行政區的銀行和商超，其收集的數據用戶群體大致類似，但銀行和商超收集到的用戶特征基本不同。因此，縱向聯邦學習模型收集的是兩個數據集不完全相同的用戶特征部分。?

如下圖所示：

聯邦遷移學習

在用于機器學習的數據集樣本用戶與用戶特征重疊都較少的情況下，通常不對數據進行切分，而是引入聯邦遷移學習，來解決數據不足的問題，從而提升模型的效果。

具體地，可以擴展已有的機器學習方法，使之具有橫向聯邦學習或者縱向聯邦學習的能力。?例如，收集一家位于北京的銀行和一家位于上海的商超的數據，由于受到地域限制，用戶群體交集很小；同時，由于銀行和商超類型的不同，二者收集的數據特征也基本無重合。?

引入聯邦遷移學習，首先可以先讓兩個數據集訓練各自的模型，之后通過加密模型數據，避免在傳輸中泄露隱私。之后，對這些模型進行聯合訓練，最后得出最優的模型，再返回給各個企業。?

如下圖所示：?

多種類別的聯邦學習方式使得機器學習模型更加具有通用性，可以在不同數據結構、不同行業間發揮作用，沒有領域和算法限制，同時具有模型質量無損、保護隱私、確保數據安全的優勢。?

在實際的應用中，類似銷售、金融等行業，由于知識產權、隱私保護和數據安全等因素限制，數據壁壘很難打通。

聯邦學習成為了解決這些問題的關鍵，在不影響數據隱私和安全的情況下，對來自多方的數據進行統一的建模，進行機器學習模型的訓練，這些企業之間就能更好地進行數據協作。?

可以說，聯邦學習為構建跨行業、跨地域的大數據和人工智能生態圈提供了良好的技術支持。?考慮到在整個訓練過程中，進行模型更新的通信仍然可以向第三方或中央服務器顯示敏感信息，因此聯邦學習技術廣泛地與安全多方計算、TEE或者區塊鏈等技術結合應用，來增強聯邦學習的隱私性和去信任。

但目前已有的方法通常以降低模型性能或系統效率為代價提供隱私，因此，如何在理論和經驗上理解和平衡這些權衡，將是實現聯邦學習技術廣泛應用落地的一個相當大的挑戰。

來源：金色財經

Tags：區塊鏈AVIDEFIMAV區塊鏈的未來發展前景作者是誰METAVILLAGE價格Bearn Defi Protocolmav幣值得挖嗎

區塊鏈