tensorflow 每次训练结果差异_TensorFlow加密机器学习框架，为联邦学习加一层保护罩...

作者 | Justin Patriquin

译者 | 孙薇

编辑 | 夕颜

出品 | AI科技大本营(ID: rgznai100)

【导读】作为一种无需聚合集中数据便可训练模型的方式，联邦学习(FL)近几年来受到了广泛关注。这种技术最初由谷歌投入生产环境，用于开发、训练及不断改进安卓的预测输入法——GBoard。

传统来说，训练模型需要数据科学家能直接访问集中式数据集。如果某个数据集分散且数据敏感的话，聚合数据并训练将无法完成。举例来说，对于GBoard，聚合数据需要谷歌能直接访问所有用户的每个击键操作，但对于许多人来说，这是对其隐私权的侵犯；同时可能会导致谷歌错误地收集用户密码、信用卡号及用户所输入的其他敏感文本。而联邦学习仅共享模型的更新，而不是训练模型的数据，极大缓解了这一问题。

联邦学习需要模型所有者先将机器学习模型发送给每个数据所有者。数据所有者，即每台手机会使用本地数据运行训练算法的初始步骤，而训练算法则根据输入与预期输出结果来确定对模型的更新方式。这些模型更新会再发回模型所有者方，并进行汇总。当训练算法(例如随机梯度下降算法)达到局部最优权重时，更新汇总结束。

然而，联邦学习并非完整的数据隐私解决方案，它无法确保在更新共享