数字化观察(94)|隐私立法时代联邦学习在商业银行的应用

官方账号 2021-12-2213:03:11科技频道评论16字数 858阅读2分51秒阅读模式

文章源自玩技e族-https://www.playezu.com/29971.html

作者 | 关杏元 王彦博 李晓林 张 月文章源自玩技e族-https://www.playezu.com/29971.html

随着数字化时代的来临,大数据人工智能等精尖技术进入了高速发展阶段。然而,对一些行业而言,存在数据样本量少、特征少、标注信息缺失、数据质量差等问题,同时由于相同行业不同企业间的竞争以及同一企业中不同业务条线、业务系统间的阻隔性等情况,难以实现有效的数据信息交流与整合,易造成“数据孤岛”现象,这使大数据人工智能相关技术难以发挥出预期的应用效果。文章源自玩技e族-https://www.playezu.com/29971.html

当前隐私与数据保护已成为全球关注的焦点,无论是机构还是个人都对隐私和数据保护越发重视,政府机构也出台了相关的法律法规来保护数据安全和隐私。而联邦学习(Federated Learning)作为一种新兴的人工智能技术,能够在隐私、安全和监管的要求下,让AI系统更加高效、准确地使用数据,突破小数据(数据样本和特征受到制约)和弱监督(数据标注信息受到制约)等条件约束,实现机器学习模型的可用性,为“数据孤岛”以及“隐私计算”问题提供了解决方案。文章源自玩技e族-https://www.playezu.com/29971.html

联邦学习的发展历程文章源自玩技e族-https://www.playezu.com/29971.html

联邦学习概念源自Google于2016年为更新Gboard系统的输入预测模型而设计的一个机器学习系统。联邦学习面向的场景是分散式多用户,每个用户客户端拥有当前用户的数据集。传统的机器学习的做法是将这些数据收集在一起,得到汇总数据集,基于汇总数据训练得到模型。联邦学习方法则是由参与方共同训练得到全局模型,首先各参与方基于自己的本地数据训练本地模型,再通过参数交换和聚合操作,得到全局模型;在该过程中,用户数据始终存储在本地,不对外发送,满足数据安全和隐私保护要求。文章源自玩技e族-https://www.playezu.com/29971.html

最初的联邦学习框架是在机器学习本身的技术层面思考信息流的传递,保护原始数据不出库。但联邦学习技术的发展,对其提出了增强安全的要求,不仅要求保护原始数据,同时要求进一步保护中间交互的参数,以此提高系统安全性。通过联邦学习结合差分隐私、同态加密、秘密分享等密码学技术的综合应用,对数据隐私实现端到端的闭环保护。此外,通过对代码、算法、通信、硬件等方面的优化,可提升联邦学习系统的性能,缩小其与传统集中式机器学习用户体验的差距。文章源自玩技e族-https://www.playezu.com/29971.html

注意:本文法律责任由该文章作者承担,侵权请联系2523030730▷诈骗举报◁▷新闻不符◁▷我要投稿◁
  • 我们QQ群
  • QQ扫一扫
  • weinxin
  • 微信公众号
  • 公众号扫一扫
  • weinxin
匿名

发表评论

匿名网友

确定