近年来，随着人工智能技术的高速发展，社会各界对隐私保护的需求不断加强。欧盟出台了最严隐私保护的法案《通用数据保护条例》（GDPR），中国也在相关法律法规中明确指出，“网络运营者不得泄露、篡改、毁坏其收集的个人信息，并且与第三方进行交易时需确保拟定的合同明确约定交易的范围和隐私保护义务”。
这给人工智能应用带来的一大挑战是：企业机构之间的数据无法互通，数据割裂、数据孤岛问题严重，AI建模的效能难以得到充分发挥。
什么是联邦学习？兼顾AI应用与隐私保护的利器
为解决这一问题，谷歌于2016年率先提出了基于个人终端设备的“联邦学习”（Federated Learning）概念及算法框架。
作为一种加密的分布式机器学习技术, 联邦学习能够让参与各方在不披露底层数据和底层数据加密(混淆)形态的前提下，仍然能利用其余几方参与者提供的信息，更好地训练联合模型，提升AI模型效果。
联邦学习这个名字的来源也并非毫无出处，它如同搭建了一个虚拟的“联邦国家”，把大大小小的“数据孤岛”联合统一进来，这些“数据孤岛”是 “联邦国家”里的一个州，既保持一定的独立自主(比如商业机密、用户隐私),又能在数据不共享出去的情况下，共享联合建模成果。
这种共赢的机器学习方式，有助于打破数据孤岛、提升AI的应用效率，在市场监管、跨部门合作、数据隐私保护等领域，有着非常广阔的应用前景。
Bondly宣布推出新的元宇宙项目MetaPrints:据官方消息，Solana链上去中心化融资交易平台Solanium正与Animoca Brands和NFT解决方案提供商Bondly合作推出Metaprints。Metaprints致力于提升各品牌在元宇宙生态系统中的知名度。
MetaPrints INO 将于 2021 年 12 月 18 日在 Solanium、ChainGuardians 的 Chainboost、DuckDAO、ScaleSwap、Mask、Mantra DAO 的 Zendit 和 Bondly Launchpad 上举行。[2021/12/18 7:47:51]
什么是腾讯安全联邦学习应用服务？打破数据孤岛，释放AI应用潜能
腾讯安全联邦学习应用服务通过低成本快速迭代的联合建模服务，能够在保护所有参与方隐私的同时，有效释放出各方大数据生产力，广泛适应于业务创新的应用场景。
（腾讯安全联邦学习综合优势）
不论何种联合建模方式，都是在满足了现有的合规和业务需求的条件下，对于降本增效的追求。与传统的联合建模相比，联邦学习建模采用加密交换机器学习的中间结果完成联合建模，在保持效果增益的情况下，对法规的遵从度更高。
分析师Max Keiser：Ray Dalio应尽快购买比特币:华尔街金融分析师、比特币支持者Max Keiser表示，美国亿万富翁对冲基金经理、桥水基金联席主席Ray Dalio如果想继续经营下去，将不得不尽快购买比特币。Keise称，如果他不尽快购买比特币，那么将在24个月内破产。此前消息，Ray Dalio表示，比特币不是很好的交换媒介或财富储备。（ambcrypto）[2020/11/18 21:07:47]
腾讯安全联邦学习技术分为“纵向”和“横向”两种：
纵向联邦学习应用层面，主要针对拥有异构数据的机构，如银行、电商等，通过融合多个机构对相同样本的不同观察进行AI联合建模。腾讯安全联邦学习应用服务目前聚焦银行、消金、互金等金融机构的信贷审批难题，提供安全、合规、高效的联合建模服务，下一步会延展到其他行业业务创新服务。
（腾讯安全纵向联邦学习架构）
横向联邦学习应用层面，主要针对拥有同构数据的大量终端用户，如互联网APP用户，通过融合终端用户对相同设备或应用的不同体验进行AI联合建模。在经用户授权后，联合建模过程中，用户的个人隐私均不出个人终端设备（如手机），从而保证了个人隐私安全。腾讯安全支持海量互联网用户参与对用户有价值的联合建模，基于腾讯安全自研的，可实际部署在移动设备（如安卓手机、平板、IoT设备等）上商用的“端-云”横向联邦学习框架，提供实现对用户有价值的应用服务。
（腾讯安全横向联邦学习架构）
腾讯安全联邦学习应用服务的优势是什么？
接入便捷，模型高效
作为“PaaS+SaaS级”联邦学习产品，腾讯安全联邦学习应用服务具备安全性高、大数据分析能力强、接入便捷、高效率和成本低的四大优势：
首先，充分满足企业机构隐私保护和数据安全的需求；
其次，助力客户充分挖掘大数据生产力。腾讯安全20余年来累积了大量的黑灰产库，形成了包含百亿点、千亿边的黑灰产知识图谱，安全服务已经覆盖中国99%的网民，形成了独有的优势；
再次，便捷接入，聚焦业务场景所需的联合建模功能，支持容器化便携安装部署，轻量易用；
最后，腾讯安全联邦学习在联合建模过程中的通信、稳定性上具有优势。通过通信次数优化、中间结果压缩，减少了联合建模过程中需要传输的数据量，提高效率；另外对于网络环境造成的传输中断，专门打造了模型的断点备份功能，即便数据传输中断也能断点重启，而无需再从零开始。此外，无需外派专业人员出差，通过远程操作、低成本快速迭代的方式完成模型训练。
开放合作，协同性高
腾讯是国内最早倡导“联邦学习”的企业之一，其联邦学习技术已覆盖PaaS级和SaaS级领域，形成产业链协同互补关系，从而提升腾讯联邦学习技术的附加值。
（腾讯公司联邦学习技术协同）
腾讯安全联邦学习应用服务的适用场景是？
金融风控、营销风控与智能终端应用
目前，腾讯安全联邦学习应用服务适用于金融风控、营销风控、智能终端等领域。
在金融风控领域，针对金融业务特性，腾讯安全自研适用于不同风控场景的纵向联邦学习应用服务，具有算法多样性、通信效率高、轻量易部署、稳定性高的优势。目前，腾讯安全联邦学习应用服务与银行、消金、互金等金融机构广泛开展合作，助力金融大数据信贷风控业务。
（腾讯安全联邦学习在金融风控领域应用场景）
在营销风控领域，腾讯安全研发了航空票务营销风控场景联邦学习应用服务。在航空公司用户信息不出域的条件下，腾讯安全能够与航空公司经过同态加密后联合计算完成两地联合建模，共同打造全票务智能营销风控中台的票务欺诈模型。
（腾讯安全联邦学习在营销风控领域应用场景）
在智能终端领域，腾讯安全通过自研的“端-云”横向联邦学习框架，成功将联邦学习应用服务拓展到互联网海量终端设备之上，从而形成一个以智能终端（如安卓手机、平板、IoT设备）为计算节点、大规模分布式联邦学习框架。目前，横向联邦学习能够支持个人相册类业务的精细化管理。
（腾讯安全联邦学习在智能终端领域应用场景）
在“合作共享、多方共赢”的开放原则下，腾讯安全将持续聚焦各个行业领域的实际需求，提供合规安全、高效便捷的联邦学习服务，携手合作伙伴，助力AI等数字化技术在更大范围内落地，从而助推数字产业的发展。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。