余孙婕，曾 辉，熊诗雨，史红周

（1.移动计算与新型终端北京市重点实验室（中国科学院计算技术研究所），北京 100190；2.中国科学院大学 计算机科学与技术学院，北京 100190）

0 引言

在新一代人工智能技术的催化下，数据作为重要的生产要素发挥着越来越重要的作用［1］。“数据二十条”提出数据资源持有权、数据加工使用权和数据产品经营权“三权分置”的数据产权制度框架，在安全方面对数据共享提出新的要求［2］。2016 年，Google 为应对数据共享与隐私安全之间日益激化的矛盾，首次提出了数据安全共享的新思路，即联邦学习［3］。数据保留在本地物理域中，参与节点使用自身数据分别训练本地模型，并共同建立联合模型。数据所有者的数据资源持有权和数据加工使用权均不受侵害，依托数据产品经营权的转让委托获取收益，缓冲了数据共享与隐私安全之间的矛盾，为打通“数据孤岛”提供新范式，也为数据驱动型产业带来了新的解决方案。联邦学习概念一经提出，便得到了众多关注，目前已在多个领域得到应用，如智慧医疗［4］、智慧城市［5］、金融［6］和智能工业［7］等；但联邦学习仍面临着众多挑战。联邦学习系统通常假设所有参与节点会诚实且积极地参与联邦学习，但由于不同的参与节点往往拥有不同数据量、不同数据质量的数据，不同参与节点对于最终全局模型的贡献度不同，因此在公平激励环境中，拥有高数据量和高数据质量的参与节点的参与积极性较低，假设难以成立。……