面向数据共享交换的联邦学习技术发展综述

摘要

联邦学习是一种新兴的人工智能基础技术,其设计目标是在保障大数据共享交换时的信息安全、保护终端个人数据隐私、保证合法合规的前提下,在多参与者或多计算节点之间开展高效率的机器学习,有望成为下一代人工智能协同算法和协作网络的基础。对近期联邦学习的相关研究与成果进行了综合评述,并对未来发展趋势进行了展望。首先,从数据孤岛和隐私保护等两个角度介绍联邦学习的兴起背景,并概述联邦学习内涵与机理;随后,聚焦技术革新和标准化建设“双轮驱动”,概述联邦学习最新进展,并以公共文化服务领域为示范应用场景,介绍基于联邦学习技术的数据共享交换典型应用案例;最后,从通信费用高、统计异构性、系统异构性、隐私问题等四个角度讨论联邦学习面临的困难与挑战。