前言：隐私计算赛道作为当下的风口赛道，无数企业纷纷涌入，抢跑占道。作为一家专注于区块链隐私计算赛道科普入门的垂直媒体，同时也是针对隐私计算兴趣者开放的“纯天然”、低门槛入口，我们汇总并分类了隐私计算行业内晦涩难懂的名词，编写了「隐私计算词典」板块，帮助大家理解、学习。?
此篇，我们来了解隐私计算技术架构的第三部分——联邦学习。
近年来，从无人驾驶汽车，到AlphaGo击败顶尖的真人围棋手等等，AI人工智能在科技领域的发展着实吸引了足够多人的眼球。
然而，发展至今的AI人工智能仍面临两大现实问题：
行业数据分散且收集困难，数据以孤岛的形式存在；隐私得不到保障，安全共享数据成为了一道壁垒。针对此，人们提出了一种名为「联邦学习」的隐私计算技术。
Partisia Blockchain为Polygon提供基于ZK的隐私计算服务:8月25日消息，结合了多方计算的Partisia Blockchain已开始为Polygon提供基于零知识证明的隐私计算服务，Polygon的开发者可以在Partisia上运行隐私计算，部署智能合约，并通过专用跨链桥将其与Polygon上已有的DApp进行连接。目前隐私计算服务已支持Polygon原生的USDC，未来将扩展至其他Polygon原生代币以及任何Polygon支持的ERC-20代币。[2022/8/25 12:47:26]
联邦学习，又名联邦机器学习、联合学习。它是AI人工智能的一门分支技术，旨在保障大数据交换时的信息安全、数据保护，在合法合规的前提下，有效帮助多行业的数据进行机器学习建模。
隐私计算网络Phala Network已完成双子星经济模型升级:4月8日消息，隐私计算网络Phala Network已完成双子星经济模型升级，目前出块稳定。
据悉，双子星经济模型升级后，合并了Khala和Phala的挖矿奖励，本次升级非强制升级，在用户到达目标区块后，新经济模型将自动生效。[2022/4/8 14:13:15]
隐私保护是联邦学习最主要的关注点，在实际的应用中，联邦学习通过将数据的不同特征在加密的状态下加以聚合，以增强机器学习模型能力，再通过共享数据模型，避开原始数据共享，进而保证了数据的安全性。?
隐私计算网络 Oasis 推出官方钱包 Oasis Wallet:11月8日消息，区块链隐私计算网络 Oasis 推出官方钱包 Oasis Wallet，Oasis 钱包具有 Web 端、Chrome 拓展程序两种版本，满足不同用户使用偏好需求。由于助记词兼容性，网站和浏览器扩展程序之间可以进行切换。用户可以使用 Oasis 钱包进行发送、接收、质押或取消质押 ROSE 等操作，包括管理 Ledger 钱包中的 Oasis 网络生态代币 ROSE 资产、通过私钥导入 ROSE 账户、查看交易记录等。[2021/11/8 6:38:23]
利用联邦学习的特点，即使是不导出企业数据的情况下，也能为三方或多方建立机器学习模型，既充分保护了数据隐私和数据安全，又为客户提供个性化、有针对性的服务，实现了互惠互利。?
声音 | 尹航：Phala的隐私计算通过可信硬件实现:11月21日，在《金色深核》线上直播中，Phala Network联合创始人尹航介绍了Phala的隐私计算模型以及\"桥\"如何保证资产安全性。尹航表示，Phala的隐私计算通过可信硬件实现，确切的说我们目前基于Intel SGX。从Intel的第六代CPU开始，每一个CPU内部都包含一块特殊的区域，我们把它称作“安全区”。安全区是硬件层面隔离的，安全区内部署的程序在执行过程中不会被干扰，数据也不会泄露，可以抵御来自操作系统、硬件级别的攻击。因此我们把合约部署在安全区内，可以保证合约的输入、输出，以及执行过程都保密。只有用户权限足够才能解密数据。
另一方面，可信硬件提供了“远程验证”协议，用户不需要特殊硬件，只要让矿工执行合约即可，执行的同时会生成出一份密码学证明，可以被浏览器、手机钱包独立验证。在Phala.Network上，一种资产就是一个合约，代码与ERC20没什么区别，但Phala只允许交易双方解密交易数据，任何第三方都不能看到交易数据。我们会在Phala的机密智能合约中实现Libra的轻客户端轻客户端可以验证来自Libra链的数据，也可以产生并Libra交易，这样就实现了一个转街桥：用户在Libra链上把资产转入到一个锁定合约中，这次转账被pLIBRA合约观测到，就会在pLIBRA端生成对应的跨链资产。
此外，用户可以随时用pLIBRA端的资产，兑换回Libra链上的原生资产。整个过程用户都只和智能合约交互，不用引入第三方，就实现了去中心化的转街桥。未来我们会利用波卡上的桥，以及在自己的链上开发更多的桥，目标是为任何区块链提供隐私计算的能力。[2019/11/21]
同时，我们可以利用不同类别的联邦学习技术来解决数据异质性问题，突破传统AI技术的局限性。依照参与建模的数据源分布，联邦学习可分为横向联邦学习、纵向联邦学习和联邦迁移学习三类。?
横向联邦学习假设收集两个数据集，这两个数据集用户特征重叠多，而用户重叠少。我们把数据集按照用户维度切分，取出双方用户特征相同，而用户不完全相同的部分数据作为机器的训练数据，这种模型称为横向联邦学习。?
例如，两个不同行政区的银行，用户群体分别来自所在行政区，重叠部分少。但是同作为银行，业务类似，因此数据集收集的用户特征则大体相同。因此，横向联邦学习模型收集的是两个数据集不完全相同的用户部分。?
如下图所示：?
纵向联邦学习与横向联邦学习相反，在两个数据集用户重叠多、用户特征重叠少的情况下，纵向联邦学习把数据集按照数据特征维度切分，取出双方用户相同，而用户特征不完全相同的部分作为机器训练数据。?
例如，同一个行政区的银行和商超，其收集的数据用户群体大致类似，但银行和商超收集到的用户特征基本不同。因此，纵向联邦学习模型收集的是两个数据集不完全相同的用户特征部分。?
如下图所示：
联邦迁移学习在用于机器学习的数据集样本用户与用户特征重叠都较少的情况下，通常不对数据进行切分，而是引入联邦迁移学习，来解决数据不足的问题，从而提升模型的效果。
具体地，可以扩展已有的机器学习方法，使之具有横向联邦学习或者纵向联邦学习的能力。?例如，收集一家位于北京的银行和一家位于上海的商超的数据，由于受到地域限制，用户群体交集很小；同时，由于银行和商超类型的不同，二者收集的数据特征也基本无重合。?
引入联邦迁移学习，首先可以先让两个数据集训练各自的模型，之后通过加密模型数据，避免在传输中泄露隐私。之后，对这些模型进行联合训练，最后得出最优的模型，再返回给各个企业。?
如下图所示：?
多种类别的联邦学习方式使得机器学习模型更加具有通用性，可以在不同数据结构、不同行业间发挥作用，没有领域和算法限制，同时具有模型质量无损、保护隐私、确保数据安全的优势。?
在实际的应用中，类似销售、金融等行业，由于知识产权、隐私保护和数据安全等因素限制，数据壁垒很难打通。
联邦学习成为了解决这些问题的关键，在不影响数据隐私和安全的情况下，对来自多方的数据进行统一的建模，进行机器学习模型的训练，这些企业之间就能更好地进行数据协作。?
可以说，联邦学习为构建跨行业、跨地域的大数据和人工智能生态圈提供了良好的技术支持。?考虑到在整个训练过程中，进行模型更新的通信仍然可以向第三方或中央服务器显示敏感信息，因此联邦学习技术广泛地与安全多方计算、TEE或者区块链等技术结合应用，来增强联邦学习的隐私性和去信任。
但目前已有的方法通常以降低模型性能或系统效率为代价提供隐私，因此，如何在理论和经验上理解和平衡这些权衡，将是实现联邦学习技术广泛应用落地的一个相当大的挑战。
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。