联邦学习（电子工业出版社）——读书笔记（8）

第十章 应用前景

联邦学习在诸多领域都有广阔的应用前景，由于各种原因，这些领域的数据不能被直接地聚合用来训练机器学习模型。

目录

第十章 应用前景

金融

医疗

教育

城市计算和智慧城市

边缘计算和物联网

区块链

---

金融

主要面临两个问题。第一，为了保护数据隐私和安全，银行、社交网络和网购网站之间的数据壁垒难以被跨越，因此无法直接聚合。第二，由这三方存储的数据通常是异构的，传统的机器学习不能直接处理异构数据。所以，目前传统的机器学习方法并不能有效地解决这些问题。

联邦学习和迁移学习是解决这些问题的关键。首先，基于联邦学习，我们可以为这三方建立本地的定制化模型，并且不会公开他们的数据。同时，我们能够利用迁移学习来解决数据的异构问题，并克服传统AI技术的局限性。

医疗

数据和标注的不足导致了机器学习模型性能的低下，这成了目前智能医疗系统的瓶颈所在。

为了打破这个瓶颈，各医疗机构可以联合起来，按照隐私保护条例共享各自的数据。

将联邦学习和迁移学习结合是实现该目标的一个很有前途的解决方案。首先，来自医疗机构的数据对于隐私和安全问题特别敏感，直接将这些数据收集在一起是不可行的。联邦学习允许所有的参与方协作地训练一个共享模型，而不需要交换或公开他们的私有数据。其次，迁移学习技术可以帮助扩展训练数据的样本和特征空间，并且降低各医疗机构之间样本分布的差异性，进而共享模型的性能

教育

长期以来，教育工作者们一直呼吁建立一套能够整合跨学科的课程教学系统，然而，教学系统很少能够支持提供这样综合学习体验的先决技能、知识库和经验。

我们可以将自适应教学系统（Adaptive Instructional System, AIS）系统的知识图谱编码为一个具有较高表征能力的图神经网络。然后，我们可以使用基于联邦学习的方法构建一个综合模型，来对各种AIS的知识图谱进行整合，从而可以将课程知识、学习者模型和数据从一个AIS扩展至另一个。

除了整合教育资源，联邦学习还可以帮助实现定制化教育。更具体地，教育机构可以利用联邦学习，基于存储在学生个人移动设备中的数据，协作地构建一个通用学习计划模型。

城市计算和智慧城市

文献[320]总结了研究人员、工程师和公务员在建设智慧城市过程中遇到的四大挑战。

1. 强调技术而忽视参与。强调大型企事业单位的信息化和平台建设，却忽视大多数小企业的参与程度。
2. 数据孤岛和数据碎片。城市管理中的数据、应用和部门职责的整合缺失问题依旧没有解决。
3. 智能系统的安全风险。对于信息安全、运营安全、网络安全的重视不够，增加了城市管理的成本和风险。
4. 缺乏可持续的经营模式。市场参与机制不够全面。需要建立可持续、公平公正、受市场规则约束的收益共享和奖励机制。

为了保证数据联盟的长期稳定，并随时间推移逐渐吸引更多拥有高质量数据的参与方，需要一种激励机制，以公平公正的方式在参与方之间分享由数据联盟产生的利益。

边缘计算和物联网

移动边缘计算允许计算发生在数据产生地（即物联网设备），而不需要将数据发送至云服务器。

当前，AI应用的解决方案通常需要将用户数据上传至云服务器，以此训练一个大型机器学习模型。然而，这可能会导致隐私泄露和安全漏洞。此外，由于当前AI算法的中心化，用户在使用AI应用时可能会遭遇高延迟，尤其是在网络连接较弱的情况下。

联邦学习带来的变化并不只限于移动设备，还包括智能家庭终端。联邦学习可以充分利用不同家庭设备上具有异构特征的数据，从而搭建更智能的应用程序。

区块链

联邦学习因其易受到后门攻击[323]而受到了一些质疑。

人们已经开发了许多安全协议来抵御和防范恶意攻击。然而，为了主动防止联邦学习受到恶意攻击，而不是被动防御，仍旧需要一种可以有效检测恶意攻击并确定恶意参与方的机制。

区块链具有不可变性和可跟踪性，是联邦学习中防止恶意攻击的有效工具[244]。