邵俊 蔺静茹

【摘要】    当前人工智能的应用离不开大数据，而由于隐私保护、数据监管政策以及行业竞争态势导致的数据孤岛现象严重制约了大数据能够产生的价值。联邦学习是一种可以打破数据孤岛存在，致力于在多个参与方互不公开数据集的情形下，协同完成模型训练的方法。然而由于中心依赖、激励机制不足以及存在隐私泄露风险等问题，基于区块链的联邦学习方法已经走入人工智能前沿研究的领域范畴。本文通过详细论述联邦学习的概念和当前存在的痛点，对将区块链与联邦学习技术结合进行了展望。

【关键词】    联邦学习    区块链    数据

联邦学习致力于解决多用户在不公开各自数据集的情形下，协同完成模型训练的问题。例如在银行风控场景中，各家银行拥有不同的客户样本数据。由于各家拥有的数据量有限，如果仅仅基于自身的数据来训练模型，受样本规模的限制，模型效果难以达到预期。如果能将各家数据聚合来训练，则可以大幅提升模型精度。然而出于机构间的竞争以及对数据隐私的监管要求，银行不可能将自身的客户数据向任何第三方发布，直接将各家数据聚合到一起建模是行不通的。因此，联邦学习技术应运而生，给金融机构在不泄露自身原始数据的情形下，共同训练机器学习模型提供了可能。

根据交易方拥有的数据，联邦学习一般可分为横向联邦学习、纵向联邦学习和联邦迁移学习。……