《联邦学习场景应用研究报告》发布：“安全联邦学习”成隐私保护进阶方案

本期导读

近日，中国信息通信研究院（以下简称“中国信通院”）重磅发布《联邦学习场景应用研究报告（2022年）》，联合产业链上下游企业，深入探讨联邦学习的应用价值。锘崴科技受邀成为主要编写单位，其首创的“安全联邦学习”框架作为联邦学习进阶方案被写入报告。

近年来，随着数据开放共享成为国家大数据战略和金融科技战略布局中的重要组成部分，加上数据安全与隐私泄露事件频发，实现多方数据“可用不可见”的隐私计算成为行业热点。作为隐私计算技术的主要路径之一，联邦学习可以在保障数据隐私安全及合法合规的基础上，实现数据共享、共同建模，让数据从“数据孤岛”走向“共同富裕”。

数据智能时代，隐私计算尤其是联邦学习技术具有广泛应用前景及巨大商业价值。为了深入探讨、展现联邦学习的应用场景，2月21日，中国信通院发布《联邦学习场景应用研究报告（2022年）》（以下简称“报告”），基于对联邦学习技术、产业的研究，联合联邦学习产业链上下游企业，深入探讨联邦学习在政务、医疗、金融、广告、物流的应用价值，从而为数据应用价值的释放带来解读和参考。

值得一提的是，锘崴科技受邀成为《联邦学习场景应用研究报告（2022年）》主要编写单位，锘崴多种技术模型和优秀案例入选，且首创的“安全联邦学习”框架作为联邦学习进阶方案被写入报告。

联邦学习发展历程

2012年，王爽教授开创性地提出了联邦学习框架并应用于医疗在线学习，并发表在了专业SCI期刊上，（论文题目是EXpectation Propagation LOgistic REgRession (EXPLORER): Distributed privacy-preserving online model learning）该论文提出了在不需要分享原始个体数据的情况下，利用多个数据源进行带有隐私保护的联合建模，奠定了安全联邦学习的基础框架，被同行广泛引用。

2016年，谷歌在其安卓手机端实现了带有隐私保护的横向联邦学习，用于保护手机用户数据隐私。2019年，产业通过将迁移强化学习与联邦学习进行结合，服务于自动驾驶等场景。

目前我国联邦学习领域已经诞生了一批代表性企业，其中不仅包括腾讯、阿里、这样的巨头，也有一众实力不俗的创业企业。还涌现出不少技术大牛，除王爽教授外，微众银行首席人工智能官杨强、同盾科技人工智能研究院院长李晓林等也都是业内公认的联邦学习“三剑客”。

从医疗、金融到政务，联邦学习想象空间巨大

目前，在所有需要进行数据共享和交换的系统之间，“数据孤岛”和“数据安全”问题严重。根据《联邦学习场景应用研究报告（2022年）》，联邦学习本质上是一种分布式机器学习框架，核心思想是在多个数据源共同参与建模训练时，不需要进行原始数据流转的前提下，仅用交换模型中间参数进行模型联合训练，原始数据可以不出本地，实现数据隐私保护和数据分析的平衡。与传统的机器学习方式相比，联邦学习技术更丰富、更高质、更高效。

据报告介绍，联邦学习发展经历了传统隐私保护、联邦学习、安全联邦学习三个阶段。目前，基本上各类常用的机器学习算法都可以采用联邦学习的方式进行模型训练，可分别支持结构化、文本、图像等类型数据源，可在样本分类、回归预测、图像识别、基因分析、自然语言等场景进行应用。

得益于联邦学习安全性高、大数据分析能力强、接入便捷、高效率和低成本的四大优势，联邦学习被大规模应用于政务、医疗、金融、数字广告、物流等领域。

报告还显示，在政务数据开放共享的过程中，由于缺乏可信的数据资产权利确认方案，导致政府部门不愿意共享数据，另因缺乏有效的隐私保护技术，数据共享后无法限制数据用途，导致数据滥用和隐私泄露问题严重。联邦学习可以与大数据开发组件集成，打破政府部门数据孤岛，实现跨部门、与社会数据等安全共享，有效减少数据泄露风险。而在生物医疗领域，由于多年生物医学信息学研究积累了大量数据，就需要一个多数据源医疗数据共享平台，在保证数据源隐私安全的情况下实现数据价值的共享，安全联邦学习成为当之无愧的解决方案。而在金融、数字广告、物流领域，联邦学习也正成为数据安全流通解决方案。

联邦学习应用空场景巨大，而作为隐私计算赛道代表企业和联邦学习3.0即安全联邦学习框架的提出者，可以预见，锘崴科技未来的发展和想象空间更值得期待和肯定。

锘崴首创“安全联邦学习”，成隐私保护进阶方案

 

根据报告显示，安全联邦学习是联邦学习3.0方案，可以将传统联邦学习跟可信执行环境、多方安全计算、密码学等其他隐私计算技术相结合，根据场景侧重点发挥各技术线路优势，综合应用相关技术实现的解决方案。

值得强调的是，安全联邦学习是由锘崴团队在普通联邦学习技术基础上，克服原有的弊端和风险，开创性地提出的新技术，能够有效消除普通联邦学习可能存在的信息泄露问题。具体来说，在没有加密计算的情况下，普通的联邦学习阶段每次迭代时都需要交互计算参与方的模型统计信息，这些信息可用于推断敏感的私有输入数据，成员身份和重建攻击是针对联邦学习的热门攻击。

安全联邦学习可通过软硬件结合的方式，仅分享经过加密的中间统计值，不分享明文个体数据，同时也对模型本身进行保护，保证数据共享全链路隐私安全。因此，它能兼具隐私保护和跨机构数据共享的双重目标。

目前锘崴安全联邦学习架构已在多个领域落地应用，尤其医疗领域。在《联邦学习场景应用研究报告（2022年）》医疗应用场景板块中，锘崴科技就有多个应用案例入选，例如，在全基因组关联分析应用中，基于安全联邦学习的技术架构iPRIVATES为全基因组关联研究提供了隐私保护，帮助解决基因数据共享中的隐私安全问题。在跨国川崎病联合研究中，锘崴科技采用基于TEE和安全联邦学习的PRINCESS隐私保护技术框架，不仅可以保护数据的隐私安全，还具有较高的计算效率，被落地应用。除此之外，锘崴安全联邦学习还被应用于围术期静脉血栓栓塞症预防、影像学深入分析引擎、电子病历结构化中，护航医疗数据共享。

隐私计算方兴未艾，安全联邦学习应用前景广阔。未来，相信以“知难而上，技术攻坚”为底色的锘崴科技将会提供更多落地应用案例，赋能数据价值安全释放，为数据安全保驾护航。