转载

冲量网络 | 联邦学习与数据孤岛

DUsagFs6tGcFF539eXMT4o3D9BQHJEezIgni0YOM.png

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。

bVL63yOnSs9LkBRhaW4Caf1OybvU9iMsncFsWtMl.png

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。

OlX3zFxr7GmUYwAaHloCXNxTN3QrxRLuvXZYdSIW.jpeg

fQqfB6p1b9FkMhM6mTNn286VSlvAPrGBrzXtmuTX.png

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。

GeypQB5BZYRL7HhjyeTXg9ZZc1Clhfdn5jvsLUCh.png

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

正文到此结束
本文目录