财政联邦主义

摘要： 除了基于经济增长业绩的地方官员晋升竞争之外,财政分权制度也是理解中国地方政府行为的一个重要视角,因为它通常被视为中央与省级政府之间关于财政收入的某种分成合约——若省级政府在整个财政收入中所分享的比例越高,则省级政府就越有动力采取各种行动来推动经济增长和扩大税基。

摘要： 央地政府间财政事权划分是当前中国政府体制改革的核心内容之一.在研究政府职能的公共产品理论、研究政府决策行为的公共选择理论、研究财政分权制度的财政联邦主义理论基础上,总结出当前政府间财政事权划分的四个基本原则:按受益范围划分、激发政府积极性、财政事权与支出责任相匹配以及注重信息效率.由上述四个原则再推导出我国当前财政事权划分的基本框架.

摘要： 地方政府竞争一直被认为是理解中国治理模式的重要视角.那么,这一概念起源于何处？经历了何种理论观点的演进？尚存在哪些值得探讨的问题？解答上述问题,有必要对地方政府竞争的相关理论做一个深入的文献综述.论文首先对地方政府竞争概念进行了辨析,之后呈现了有关地方政府竞争三大理论观点“传统联邦主义”“市场保护型联邦主义”与“为增长而竞争”的演进过程,并将地方政府竞争的行动路径总结为“财税竞争” “制度竞争”与“标尺竞争”三大类,最后梳理了地方政府竞争的经济社会后果.论文提出:“传统联邦主义”“市场保护型联邦主义”与“为增长而竞争”三种观点的演进是在完成对西方地方政府竞争的解释后,进一步为中国等发展型国家的地方政府竞争现象提供解释.同时,学界也观察到,地方政府竞争在促进发展的同时,也带来了许多消极结果.论文认为,地方政府竞争研究的未来发展,在于将地方政府竞争与国家能力问题建立关联,同时进入更为复杂的、竞争合作并存的地方政府关系情景,考察竞争对塑造复杂政府间关系的可能影响.

摘要： 本文通过考察美国财政联邦债务关系的历史演变过程,对美国财政联邦债务关系调整过程中出现的问题及经验进行梳理,可以为我国分税制改革以来的中央与地方的财政分权、地方政府债务危机应对提供有益的经验和启示.

摘要： 十八届三中全会提出要加快推进财税体制改革,建立现代财政制度的基本框架.现代财政制度的基本框架包括:预算体制改革、税收制度改革、财政体制改革(央地关系改革).然而,迄今为止,这三方面的改革进程中中央与地方财政关系调整是进展最缓慢的,甚至与1994年分税制改革提出的"事权与财权相匹配"的最初设计方案越走越远.如各级政府事权、财权划分依旧不明确,导致政府间事权与财权,事权与财力的不匹配,从而造成了地方政府的"土地财政"、融资平台的不规范发展、预算外收入等等一系列问题.更为甚者,改革进程有倒退的风险,即从"分税"的改革路径回到"分钱"的路径上来.阻碍改革进程的因素是多方面的,文章首先回顾了我国政府间财政关系改革历程,其次通过分析我国政府间财政收入、支出、转移支付结构以及事权划分等数据描述了我国1994年分税制改革后的政府间财政关系的现状,然后在此基础上指出了我国政府间财政关系存在的问题,最后相应地提出了我国政府间财政关系的下一步改革方案.

摘要： 财政联邦主义是公共行政学领域中关于政府间关系的一种理论体系,是公共行政学学者依托联邦制这样一种国家形式的理论所建立起来的有关财政分权的理论.该理论由最初单纯的强调分权,发展到强调职能合理划分、财政收支合理划分以及充分运用财政转移支付上,对于促进政府宏观调控、提高公共资源利用效率、推动改善民众生活有积极的作用.

摘要： 财政联邦主义是公共行政学领域中关于政府间关系的一种理论体系,是公共行政学学者依托联邦制这样一种国家形式的理论所建立起来的有关财政分权的理论.该理论由最初单纯的强调分权,发展到强调职能合理划分、财政收支合理划分以及充分运用财政转移支付上,对于促进政府宏观调控、提高公共资源利用效率、推动改善民众生活有积极的作用.

摘要： 论文讨论了纵向的地方财政支出分权与横向的公共支出结构导向对地方政府治理绩效的影响。基于治理与善治、财政联邦主义与功能性联邦主义等理论视角，我们建构了地方治理绩效、省以下财政分权与地方公共支出的发展性与再分配支出导向，进而利用1997—2009年的分省数据进行了实证分析。研究发现：省以下支出分权水平可以显著地促进地方治理绩效，且这种促进作用更多地体现在县级而非市级支出分权；由于公众需求、腐败寻租等因素，发展性支出比重在很大程度上侵蚀了地方治理绩效，而再分配支出与之截然相反；因为“软预算约束”等问题，地方净转移支付收入在多数情况下也会显著恶化政府治理绩效；此外，政府治理绩效往往伴随着工业化、城镇化等现代化进程，并具有较强的时间序列稳定性特征。基于上述中国正反两面的经验，我们就如何改善政府财政职能与转移支付体系提出了相关政策建议。

摘要： 本说明书实施例提供用于经由至少两个第一成员设备和第二成员设备训练业务模型的联邦学习方法，联邦学习装置和联邦学习系统。各个第一成员设备具有本地数据，第二成员设备维护待训练的业务模型。在进行联邦学习时，在各个第一成员设备从第二成员设备接收当前业务模型后，各个第一成员设备使用本地数据训练所接收的当前业务模型，确定本地训练出的业务模型与所接收的业务模型之间的模型相关性，并且仅仅在模型相关性满足预定条件时才将本地训练出的模型更新量提供给第二成员设备。第二成员设备根据从各个第一成员设备接收的模型更新量更新业务模型。

摘要： 本说明书实施例提供用于经由至少两个第一成员设备和第二成员设备训练业务模型的联邦学习方法，联邦学习装置和联邦学习系统。各个第一成员设备具有本地数据，第二成员设备维护待训练的业务模型。在进行联邦学习时，在各个第一成员设备从第二成员设备接收当前业务模型后，使用本地数据训练所接收的当前业务模型，基于本地训练出的业务模型中的模型参数的参数更新量，确定各个模型参数的参数稳定性，并且将被确定为参数不稳定的模型参数的本地更新值提供给第二成员设备。第二成员设备根据从各个第一成员设备接收的模型参数的本地更新值更新业务模型。

摘要： 本说明书实施例提供一种联邦学习方法及联邦学习系统。方法包括：在联邦学习用于训练的目标模型确定特征配置前，联邦学习的成员对象按照所述联邦学习的数据仓库的数据结构化配置，对本地的私有数据进行预处理；以及，联邦学习的成员对象基于多方安全计算协议，将预处理后的私有数据发送至所述集中计算平台，以由所述集中计算平台上传至数据仓库。在所述目标模型确定特征配置后，所述集中计算平台根据所述目标模型的特征配置，对所述数据仓库记录的私有数据进行特征提取，得到适用于训练所述目标模型的特征数据；以及，所述集中计算平台基于提取到的特征数据，对所述目标模型进行训练，并将所述目标模型的训练结果发送至所述联邦学习的成员对象。

摘要： 本发明公开了一种在线联邦学习任务分配方法、装置、联邦学习方法及系统，在给定联邦学习训练框架下，将边缘计算联邦学习训练过程分为节点选择计划确认和节点数据状态更新两个阶段，通过Lyapunov优化理论和深度强化学习的计算，提供使得损失函数最小化的、在不完全信息状态下保证数据集状态稳定不拥塞的任务分配方法，由此解决现有的任务分配机制仅必须知道完全信息的情况下且数据集需要独立同分布的分配阶段，导致不能解决在线联邦学习中数据非独立同分布的技术问题。

摘要： 本申请涉及一种联邦学习专用处理器、联邦学习处理芯片及芯片。该处理器包括彼此独立的多个处理引擎，其每一个包括并行的至少一个处理子引擎且属于加密、解密、密文运算以及密钥管理的类别中的一个。该处理器用于生成联邦学习任务的任务配置信息，确定多个处理引擎的调用次序和被调用的处理引擎，根据任务配置信息和被调用的处理引擎的状态生成引擎配置信息，根据引擎配置信息完成联邦学习任务。多个处理引擎中的至少一个处理引擎所包括的处理子引擎由第一部分和第二部分组成，第一部分的个数根据联邦学习通用业务场景预先设定，第二部分的个数可根据与联邦学习任务关联的联邦学习子业务场景调整。如此实现数据流驱动的引擎分配机制及优化设计。

摘要： 本说明书实施例提供一种联邦学习模型的训练方法和调用方法以及联邦学习系统。该训练方法包括：获取多个参与者中的每个参与者的水印化训练数据集；以及基于多个参与者中的每个参与者的水印化训练数据集进行联邦学习训练，以分别产生每个参与者的作为联邦学习模型的一部分的碎片模型，其中，水印化训练数据集包括水印训练数据，参与者的水印训练数据的数据标识彼此对应，且多个参与者中的至少一个参与者的水印训练数据包括水印标签。

摘要： 本说明书实施例提供一种联邦学习模型的训练方法和调用方法以及联邦学习系统。该训练方法包括：分别由多个参与者中的每个参与者获取该参与者的水印化训练数据集，其中，水印化训练数据集包括具有水印标签的水印训练数据，和基于该水印化训练数据集进行训练，以产生该参与者的本地模型；以及将多个参与者的本地模型进行聚合，以产生联邦学习模型。

摘要： 本发明公开了一种基于联邦蒸馏的联邦学习模型的训练方法、系统和介质，可应用于模型处理技术领域。本发明方法包括：客户端采用联邦学习算法和本地私有数据集训练并更新本地模型，采用公共数据集和更新后的本地模型预测局部归一化层的第一输出向量，并向服务器上传第一输出向量对应的局部平均输出向量；服务器对所有局部平均输出向量进行全局共识操作并确定全局平均输出向量，向所有客户端下发所述全局平均输出向量；客户端在公共数据集上，采用全局平均输出向量和更新后的本地模型进行知识蒸馏，并在本地私有数据集上训练回调本地模型。本发明能使通信成本只取决于模型输出，不会随模型大小倍数增加，从而有效提高通讯的稳定性和减少延迟。

摘要： 本申请涉及一种联邦学习系统和联邦学习任务处理方法。方法包括：确定与联邦学习任务相关联的至少一个样本ID是否存在于本地样本数据集和非本地样本数据集之间的交集；响应于该至少一个样本ID存在于该交集，调用第一联邦学习模型处理该联邦学习任务；和响应于该至少一个样本ID不存在于该交集，调用第二联邦学习模型处理该联邦学习任务。所述第一联邦学习模型的训练数据集包括该交集。所述第二联邦学习模型的训练数据集至少包括所述本地样本数据集，并且所述第二联邦学习模型的训练基于所述第一联邦学习模型根据所述本地样本数据集生成的处理结果。如此克服数据缺失问题以及避免训练样本的浪费，提升了推理预测效果。

摘要： 本发明公开了一种面向智慧城市物联网信物融合的联邦学习系统，包括设备端和服务端；所述设备端包括MQTT、训练线程、心跳发送线程；所述服务端包括MQTT、模型聚合线程、任务调度线程、心跳监测线程。本发明还提供了基于上述联邦学习系统的联邦学习训练方法，包括：服务器初始化全局模型，在一个通信回合中，服务器选择一定比例的设备，并向被选择的设备发送全局模型；设备接收到消息后，对模型执行训练并更新；将更新的模型重新上传到服务器并进行聚合，得到新的全局模型，进入下一个通信回合；完成预设的通信回合数后，设备接收服务器下发的最新的全局模型并保存供后续使用。本发明具备一定的设备可扩展性、鲁棒性和高效性。