郭松岳 王阳谦 柏思远 刘永恒 周 骏 王梦鸽 廖 清,

1 （哈尔滨工业大学（深圳）计算机科学与技术学院 广东 深圳 518055）

2 （鹏城实验室 广东深圳 518055）

3 （上海浦东发展银行 上海 200002）

机器学习需要收集大量用户数据作为样本进行训练，但包含隐私的数据经由多方处理，势必在数据传输、交换时造成泄露风险.例如，Facebook 泄露的用户隐私数据就曾经被滥用于总统大选的预测，最终引发了股票的大跌和群众抗议活动.2018 年，欧盟正式推行《通用数据保护条例》（General Data Protection Regulation，GDPR）[1]，而中国也于2017 年6 月1日开始实施《中华人民共和国网络安全法》，并将个人信息安全列入重点保护范围[2]，近期国务院决定于2021 年9 月1 日开始正式施行《中华人民共和国数据安全法》，从而进一步完善对个人信息的保护.《中华人民共和国数据安全法》和GDPR 法案的施行表明了民众和政府对数据隐私的保护意识逐渐增强，这无疑给传统机器学习方式带来了严峻的挑战[3].而联邦学习（federated learning，FL）[4]可以在保证数据隐私安全的前提下，进行机器学习模型的训练.

联邦学习是一种新兴的分布式机器学习框架，该框架不直接将用户数据暴露给服务器和网络，而是在客户端对隐私数据进行模型训练，并选择性地传递模型参数至中央服务器，从而共同建立一个中央服务器模型.这个中央服务器的性能表现与将整个用户数据集放在一起进行训练的性能表现相差不大[5-6]，同时保证了数据的隐私安全.

传统的联邦学习方法侧重于独立同分布……