联邦学习——为解决AI隐私问题而生

随着科学技术的快速发展，人工智能技术应运而生，机器学习作为海量数据的分析处理技术，已经广泛服务于人类社会，然而，机器学习技术在方便人们生活的同时，也面临数据孤岛和数据隐私安全两大挑战。

联邦学习（Fedrated Learning）是一种机器学习技术，可以在不交换数据样本的情况下，在多个分散的边缘设备或服务器上训练算法。联邦学习可以允许多个参与者在不共享数据的情况下构建一个通用强大的机器学习模型，从而允许解决关键问题，如数据隐私、数据安全、数据访问权限和对异构数据的访问。可以说，联邦学习是伴随着不断扩大的数据量而生的，数据无处不在，联邦学习的优势因此获得了政府、企业等各界的关注。

优点：

•      在保障数据不出客户端的情况下（安全），兼顾分布式计算和联合计算的优势，解决数据孤岛问题。

•      各方只需要在本地进行训练，数据体量不增加，算力成本压力小。