本文介绍了共享机器学习的系统架构和技术框架，包括集中式和分布式共享机器学习系统。集中式系统中，数据在加密后在可信执行环境中处理，而分布式系统如联邦学习，通过加密参数交换实现数据安全共享。隐私计算，尤其是基于硬件的可信执行环境（TEE），为数据隐私保护和流通提供保障，确保在不泄露原始数据的情况下进行计算。
共享机器学习
方 法 技 术 框 架 Technical Framework
众所周知，数据要素化已成为我国新一轮数字科技革命和产业变革的焦点。数据的共享及其流通成为刚性业务需求，这就将原本隐私保护与数据高效流动间的矛盾愈发凸显出来，数据隐私如何保护、如何在安全的环境下实现数据流通等问题是各行业所亟待解决。
而隐私计算正是解决数据利用与安全的“关键之钥”，为信息隐私保护提供了重要的理论基础。根据中国信息通信研究院的定义，隐私计算是指在保证数据提供方不泄露敏感数据的前提下，对数据进行分析计算并能验证计算结果的信息技术。即在保证数据安全的前提下，让数据完成自由流通，消除数据孤岛问题，以此为各行业释放出更大的数据价值，提升生产效率，做到“数据可用不可见，数据不动价值动”。
01共享机器学习系统
由于隐私计算中所包含的技术多样性，不同的企业或者项目根据技术优势，会采用不同的技术路线来实现其应用目的。与之相关的除了以多方安全计算为代表的基于密码学的隐私计算技术外，以联邦学习为代表的人工智能与隐私保护技术融合衍生的技术和以TEE为代表的基于可信硬件的隐私计算技术，已在众多领域被探讨。
在ITU-T（Telecommunication Standardization Sector Of ITU ，国际电信联盟电信标准分局）最新发布的Technical framework for a shared machine learning system （《共享机器学习方法技术框架》）中指出，在共享机器学习系统中共包含4种角色ÿ
最低0.47元/天 解锁文章
扫一扫
686
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
