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;
未来区块链与隐私计算高精尖创新中心在京揭牌成立:1月28日,未来区块链与隐私计算高精尖创新中心在京揭牌成立。该中心是北京市教委批准成立的首个新一期北京高校高精尖创新中心,依托北京航空航天大学、北京微芯区块链与边缘计算研究院设立,多家单位共同建设,是国际首个区块链与隐私计算科技创新平台,以解决长安链发展的技术问题为核心任务。
中心采用“一体两地、前店后厂”的运行模式。“前店”位于微芯研究院,主要承担关键技术研发、产品开发及实验验证工作,“后厂”位于沙河高教园区,利用园区高校资源优势以及昌平区医疗、能源、先进制造等区块链重点应用领域场景优势,开展基础理论研究、关键技术攻关和平台建设,形成未来科学城与中关村科学城的良性互动。(北京日报)[2022/1/29 9:21:39]
隐私得不到保障,安全共享数据成为了一道壁垒。
交大复旦等联合筹建数字身份与数据流通信任技术实验室:开展隐私计算和区块链技术攻关:今年6月,我国颁布了《数据安全法》,9月1日将开始正式实施,上海市人大也正在起草《上海市数据条例》。近日,上海市数字证书认证中心、复旦大学计算机学院、上海交通大学电子信息与电气工程学院、移动互联网系统与应用安全国家工程实验室等宣布共同发起筹建数字身份与数据流通信任技术实验室,该实验室将基于数字信任技术的产学研生态合作,开展隐私计算、区块链、前沿密码等数字信任技术攻关和产业应用,支撑城市数字化转型、数据要素市场构建和网络安全体系建设。[2021/7/23 1:10:58]
针对此,人们提出了一种名为「联邦学习」的隐私计算技术。
FIBA提问:15个比特币你如何选球员?郭艾伦周琦上榜:金色财经报道,国际篮球联合会(FIBA)亚洲杯官方更新社媒,抛出了“用15个比特币组建阵容”的话题。“你会用哪些亚洲球星来组建你的最佳阵容?”FIBA亚洲杯官方社媒写道。其中,郭艾伦出现在了得分后卫的位置上,需要用最多的5个比特币来选择。出现在中锋位置上的周琦,需要用2个比特币选择,而在中锋位置上,比特币最高的是哈达迪。[2022/6/28 1:35:49]
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。
动态 | 去中心化隐私计算方案ZEXE正式在Github上建立代码库:新的去中心化隐私计算方案ZEXE正式在Github上建立代码库。ZEXE 方案由研究人员Sean Bowe(Zcash)、Alessandro Chiesa(加州大学伯克利分校)、Matthew D. Green(约翰霍普金斯大学)等人通过论文《Zexe:Enabling Decentralized Private Computation》提出,利用包括零知识证明、递归证明合成等密码学知识,在保护数据隐私的前提下,实现高效的链下计算和链上验证。该方案目前尚处于学术概念验证阶段。[2019/4/7]
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。?
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。?
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。
来源:金色财经
以“打金”为特性的GameFi正在席卷整个加密货币领域,相对于传统游戏的“PaytoPaly”模式,P2E模式似乎更具备竞争力.
随着数字产业化、产业数字化的深入发展,数字经济必将有力地推动质量变革、效率变革和动力变革,为中国高质量发展注入新动能.
PanteraCapital合伙人PaulVeradittakit2021年12月3日发文介绍NEAR协议上的兼容以太坊的开发者平台Aurora.
这段时间一直有读者留言问关于元宇宙方面的话题,比如元宇宙领域最近有没有什么好的项目、元宇宙领域未来的发展会如何,还有读者提到我前几个月都写了关于元宇宙的书.
作者:Chloe M101庇护所是专门生产侧面人物的地方,他们准备好穿越银河系经历冒险,寻找新生命种族之外,也致力解决宇宙皱折Fold的奥秘.
这两天MOBOX火出圈了,朋友圈接力赛分享了领取MOMO盒子NFT的空投活动。空投盒子只有5000个,参与的人数比较多,中奖的概率很低.