联邦学习研究综述

摘要：联邦学习由于能够在多方数据源聚合的场景下协同训练全局最优模型，近年来迅速成为安全机器学习领域的研究热点。首先，归纳了联邦学习定义、算法原理和分类；接着，深入分析了其面临的主要威胁与挑战；然后，重点对通信效率、隐私安全、信任与激励机制3个方向的典型研究方案对比分析，指出其优缺点；最后，结合边缘计算、区块链、5G等新兴技术对联邦学习的应用前景及研究热点进行展望。

关键词: 联邦学习；隐私保护；区块链；边缘计算

1  引言

随着计算机算力的提升，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，机器学习技术的发展过程中面临两大挑战：一是数据安全难以得到保障，隐私数据泄露问题亟待解决；二是网络安全隔离和行业隐私，不同行业、部门之间存在数据壁垒，导致数据形成“孤岛”无法安全共享 ，而仅凭各部门独立数据训练的机器学习模型性能无法达到全局最优化。

为了解决以上问题，谷歌提出联邦学习（FL，federated learning）技术，其通过将机器学习的数据存储和模型训练阶段转移至本地用户，仅与中心服务器交互模型更新的方式有效保障了用户的隐私安全。作为网络安全领域新的研究热点，联邦学习吸引了大量关注与研究。为了更加深入地展开研究，本文主要对现有研究成果做初步的梳理和总结，对典型方案进行详细分析与比较，指出它们的优势与不足，并结合边缘计算、区块链、5G等新兴技术对联邦学习的应用前景和研究热点进行展望。

2  联邦学习基本概念