隐私计算和联邦学习发展的举措

建立大数据隐私计算和联邦学习生态联盟

联邦学习的新商业模式需要一个商业联盟，联盟包含有 N 个实体，加入联盟的实体，可以像朋友圈一样能够利用各自的数据联合建立模型。联邦数据联盟鼓励各方参与，联盟成员一方面进行垂直领域的合作，另一方面，联盟有明确的在不同场景下的激励机制和权益分享，可以使用区块链技术建立一个让参与各方都满意的一个共识机制来估计大家的贡献，以此奖励对联盟有作用的机构。

在生态联盟里，可以有多个垂直领域的联邦学习联盟。比如，金融机构合作就有一个金融联邦联盟，医疗领域的合作就可以建立一个医疗联邦学习联盟。

建立互联互通行业标准

不仅仅建立隐私计算的框架规范，还需要建立互联互通的接口规范。联邦学习、安全多方计算等都需要对应的接口规范。一个机构无需部署多个系统，而是通过一套接口服务，与外部各种机构进行大数据协同的连接合作。

对于行业领导者建立的生态联盟，研究跨联盟（跨链）的接口转换和对接技术，从而实现最大程度的互联互通。

建立行业垂直领域应用案例

联邦学习在产业场景中的实际落地，将给算法研究提供切实有效的支撑，应用场景可分为同构场景和异构场景。

同构场景指的是两个企业属于相同或相近的领域，所拥有的数据性质相似、特征相近，但是样本不同。如在银行和金融机构间的合作，双方拥有的不同的用户样本，但是样本属性同质，这种场景下使用横向联邦学习，可达到将双方样本放到一起的建模效果。

异构场景指的是两个企业分属不同的领域，所拥有的数据性质不同，特征不同，但是有重叠的样本 ID。比如银行与互联网公司之间的合作，双方有重叠的用户 ID，但是企业间各自拥有用户不同的特征，如银行有用户的收入和交易行为，互联网公司有用户的社交或浏览行为，这种场景下使用纵向联邦学习建模，可达到特征增加的建模效果。

两种场景下的应用均可使得比数据在本地单方建模更好，企业积极建立一个基于联邦学习的新的数据商业模式和共同成长的大数据生态。

建立数据隐私计算人才培养体系

行业领导企业与行业协会、政府、高校及金融机构合作，分享已有的技术积累和经验，组织大数据及区块链技术人员的专业技能培训，提高技术的应用能力，强化其职业道德素养，增强人才的综合素养。