Labs 導(dǎo)讀
人工智能時(shí)代興起，數(shù)據(jù)資源成為維持相關(guān)產(chǎn)業(yè)的基礎(chǔ)原料，是否能夠獲取相關(guān)海量數(shù)據(jù)能力成為制約產(chǎn)業(yè)發(fā)展重要因素。然而，由于數(shù)據(jù)安全問(wèn)題、競(jìng)爭(zhēng)關(guān)系等因素，數(shù)據(jù)在各個(gè)行業(yè)甚至公司的內(nèi)部以“數(shù)據(jù)孤島”的形式存在，隨著數(shù)據(jù)隱私安全問(wèn)題突出，國(guó)家管控越來(lái)越嚴(yán)格，先后發(fā)布《網(wǎng)絡(luò)安全法》等法律法規(guī)，在社會(huì)層面上，用戶對(duì)個(gè)人隱私數(shù)據(jù)越發(fā)重視。以往科技巨頭它們通過(guò)提供基于云的AI解決方案以及API，獲取大量高質(zhì)量的業(yè)務(wù)和個(gè)人數(shù)據(jù)模式，在未來(lái)發(fā)展中可能受到極大的限制。為此，研究如何在保護(hù)隱私和安全的前提下，解決數(shù)據(jù)孤島問(wèn)題實(shí)現(xiàn)數(shù)據(jù)共享需求越來(lái)越突出，隱私計(jì)算受到極大重視，聯(lián)邦學(xué)習(xí)應(yīng)運(yùn)而生。
作者：聶文靜
單位：中國(guó)移動(dòng)研究院業(yè)務(wù)研究所
近年來(lái)
「數(shù)據(jù)隱私」成為網(wǎng)絡(luò)熱詞🔥
在大數(shù)據(jù)時(shí)代，
數(shù)據(jù)的流通和共享
為社會(huì)發(fā)展創(chuàng)造了巨大價(jià)值💰
但被泄露的個(gè)人隱私不在少數(shù)，
人們對(duì)企業(yè)的信任日益走低📉
......
那么有沒(méi)有一種技術(shù)，
在安全合規(guī)、保障用戶隱私的前提下，
讓企業(yè)“看不見(jiàn)”數(shù)據(jù)，
也能利用數(shù)據(jù)創(chuàng)造價(jià)值、提供高效服務(wù)呢？
魚(yú)和熊掌能否兼得？
隱私計(jì)算或許是一個(gè)答案🔒
本期Labs和大家聊聊
隱私計(jì)算中聯(lián)邦學(xué)習(xí)的那些事兒~
Part 01
● 隱私計(jì)算技術(shù)概念 ●
隱私計(jì)算涉及多方技術(shù)主要包括機(jī)器學(xué)習(xí)，分布式機(jī)器學(xué)習(xí)，密碼學(xué)（同態(tài)加密，差分隱私等），安全多方計(jì)算，以及聯(lián)邦學(xué)習(xí)等多種不同的技術(shù)。
機(jī)器學(xué)習(xí)是專門(mén)研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。它是人工智能的核心，是使計(jì)算機(jī)具有智能的根本途徑。
分布式機(jī)器學(xué)習(xí)是一個(gè)由參數(shù)服務(wù)器將數(shù)據(jù)存儲(chǔ)在分布式工作節(jié)點(diǎn)上，通過(guò)中央調(diào)度節(jié)點(diǎn)分配數(shù)據(jù)和計(jì)算資源的機(jī)器學(xué)習(xí)框架，較集中式機(jī)器學(xué)習(xí)框架運(yùn)算效率提高，更加適合大批數(shù)據(jù)建模。
多方安全計(jì)算是一個(gè)滿足沒(méi)有信任第三方情況下，互不信任參與方在保護(hù)各自隱私信息前提下協(xié)同建模的機(jī)器學(xué)習(xí)框架。這個(gè)框架能夠同時(shí)確保輸入的隱私性安全性和計(jì)算的正確性。
同態(tài)加密是一類具有特殊屬性的加密方法，與一般加密算法相比，同態(tài)加密除了能實(shí)現(xiàn)基本的加密操作之外，還能實(shí)現(xiàn)密文間的多種計(jì)算功能，即先計(jì)算后解密可等價(jià)于先解密后計(jì)算。
差分隱私是密碼學(xué)中的一種手段，簡(jiǎn)單地說(shuō)，就是通過(guò)添加噪音在保留統(tǒng)計(jì)學(xué)特征的前提下去除個(gè)體特征以保護(hù)用戶隱私。
聯(lián)邦學(xué)習(xí)，又名聯(lián)邦機(jī)器學(xué)習(xí)，聯(lián)合學(xué)習(xí)，聯(lián)盟學(xué)習(xí)，由谷歌公司于2016 年最先提出，最初是用于解決安卓手機(jī)終端用戶在本地更新輸入法中的頻繁詞模型的問(wèn)題，其設(shè)計(jì)目標(biāo)是在保障大數(shù)據(jù)交換時(shí)的信息安全、保護(hù)終端數(shù)據(jù)和個(gè)人數(shù)據(jù)隱私、保證合法合規(guī)的前提下，在多參與方或多計(jì)算結(jié)點(diǎn)之間開(kāi)展高效率的機(jī)器學(xué)習(xí).主要解決的問(wèn)題就是，數(shù)據(jù)擁有方不出本地前提下，構(gòu)建共有模型。聯(lián)邦學(xué)習(xí)可以從技術(shù)上解決數(shù)據(jù)孤島問(wèn)題，讓每一個(gè)參與方隱私數(shù)據(jù)在不用交換原始數(shù)據(jù)情況下，僅僅交換加密的模型參數(shù)，完成模型的建立的一種框架。聯(lián)邦學(xué)習(xí)可使用的機(jī)器學(xué)習(xí)算法包括邏輯回歸、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林等，有望成為下一代人工智能協(xié)同算法和協(xié)作網(wǎng)絡(luò)的基礎(chǔ)。
隱私計(jì)算相關(guān)技術(shù)之間的關(guān)系可參見(jiàn)如下示意圖：
Part 02
● 聯(lián)邦學(xué)習(xí)技術(shù)特征與分類 ●
- 技術(shù)特征
1. 各方數(shù)據(jù)都保留在本地，不泄露隱私也不違反法規(guī)；
2. 在聯(lián)邦學(xué)習(xí)的體系下，各個(gè)參與者的身份和地位相同；
3. 聯(lián)邦學(xué)習(xí)的建模效果和將整個(gè)數(shù)據(jù)集放在一處建模的效果相同，或相差不大；
4. 各個(gè)參與者聯(lián)合數(shù)據(jù)建立虛擬的共有模型，并且共同獲益的體系。
.png)
- 技術(shù)分類
1. 橫向聯(lián)邦
各方業(yè)務(wù)場(chǎng)景相似，用戶重合度低，特征重合度高
.png)
2. 縱向聯(lián)邦
各方特征重合度較低，用戶重合度較高
.png)
3. 聯(lián)邦遷移
各方特征重合度較低，用戶重合度較低
.png)
Part 03
● 聯(lián)邦學(xué)習(xí)技術(shù)應(yīng)用場(chǎng)景 ●
根據(jù)聯(lián)邦學(xué)習(xí)的應(yīng)用領(lǐng)域及面向服務(wù)的受眾對(duì)象，可將聯(lián)邦學(xué)習(xí)的典型應(yīng)用場(chǎng)景分為：面向個(gè)人用戶（2C）、面向行業(yè)用戶（2B）。
面向個(gè)人用戶主要是基于個(gè)人終端隱私數(shù)據(jù)保護(hù)情況下的數(shù)據(jù)共享和協(xié)同的應(yīng)用場(chǎng)景，比如Google輸入法所采用的分布式建模應(yīng)用。
面向行業(yè)用戶主要是圍繞企業(yè)內(nèi)部以及跨公司跨行業(yè)的數(shù)據(jù)聯(lián)合建模應(yīng)用場(chǎng)景。
