前言
隨著近些年各個國家對數據的監(jiān)管與使用越來越嚴格，以及對個人信息數據扔字、科學數據、醫(yī)療數據等多種數據的保護温技，從而加劇了數據孤島現(xiàn)象的出現(xiàn)革为，導致企業(yè)之間的數據合作、交換過程中舵鳞，對數據共享的安全性和使用合理性提出了更高的要求震檩。
聯(lián)邦學習概念
聯(lián)邦機器學習是一種特殊的分布式學習，又稱聯(lián)邦學習蜓堕，聯(lián)合學習抛虏，聯(lián)盟學習，是2016年由Google率先提出套才，在滿足用戶隱私安全迂猴、數據安全和政府法規(guī)的要求下使用數據進行建模，進而解決數據孤島問題背伴。
聯(lián)邦學習分類
考慮到在工業(yè)中的應用沸毁，聯(lián)邦學習主要分為橫向聯(lián)邦學習、縱向聯(lián)邦學習和聯(lián)邦遷移學習傻寂。
橫向聯(lián)邦學習特點：數據的特征維度相同息尺，通過聯(lián)邦學習聚合更多的數據樣本，解決單邊建模數據量不足的問題疾掰。
縱向聯(lián)邦學習特點：數據樣本的ID是一致的搂誉，數據的特征不同，使用聯(lián)邦學習豐富樣本的特征静檬，從而更精準的刻畫樣本炭懊。
聯(lián)邦遷移學習特點：數據樣本特征和數量都較少浪汪，使用聯(lián)邦學習將所有樣本和特征空間進行聯(lián)合建模。
聯(lián)邦學習中保護隱私和安全的方法
1凛虽、 同態(tài)加密Homomorphic Encryption (HE)
對密文進行特定形式的代數運算得到仍然是加密的結果死遭，將其解密后所得到的結果與對明文進行同樣的運算結果一致。
2凯旋、 多方安全計算Secure Multiparty Computation (MPC)
解決一組互不信任的參與者之間保護隱私的協(xié)同計算問題呀潭，并確保輸入的獨立性，計算的正確性至非，同時不泄露各輸入值給參與計算的其他成員钠署。
3、 姚式混淆電路Yao' s Garbled Circuit
4荒椭、 差分隱私Differential Privacy(DP)
通過引入隨機機制來抵御差分攻擊谐鼎，以達到保護隱私的目的。
聯(lián)邦學習開源框架
1趣惠、 FATE（Federated AI Technology Enabler）框架
2狸棍、 FFL（Tensorflow Federated Framework）框架
免責聲明：我們致力于快樂與技術的分享，旨在快樂與技術并存味悄，只限于在法律范圍內合理學習使用草戈。本公眾號旨在分享更多知識，不構成任何投資建議或非法用途侍瑟，本人只代表作者個人觀點唐片。本文章教程只限于學習，不得用于任何非法活動涨颜，我們不承擔任何責任费韭，請悉知！
如果想要獲取更多資源以及技術請加入我們（qq群庭瑰、微信群以及公眾號二維碼）：
