如何利用联邦学习实现价值共享?同盾科技发布最新研究成果

  • 时间:
  • 浏览:1

随着社会各界对于当事人隐私保护的日益重视,数据和信息安全意味着着 成为数字和智能时代重要的信任基石,而以机器学习和深度1学习为代表的都要依靠海量数据训练机器的人工智能模式,意味着着 也都要进一步革命,意味着着 太满太满太满太满领域实际上并没法海量的数据作为基础,只是 我随着数据隐私保护的日益强化,强度与安全之间的矛盾也日益凸显。

联邦学习技术的出現为业界提供了全新的发展思路。

联邦学习是在用户数据隐私保护的前提下,通过去中心化战略商务合作的方式,进行多方数据融合与机器学习模型集成的理论技术。巧妙的化解了多个主体、多数据源、不同底部形态维度之间联合建模的难题报告 ,处置行业内外数据隐私与数据共享的矛盾,使得企业各方在保护彼此数据隐私的前提下实现跨平台和地域的共创价值,各取所需。

同盾敏锐地观察到联邦学习的独特能力,针对这名 数据隐私难题报告 ,可不还里能 利用联邦的思想,将银行、信贷公司、消费金融公司、P2P平台等金融企业太满太满太满太满纳入联邦框架中,以实现价值的共享。

近日同盾科技人工智能研究院深度1学习实验室发布了最新研究成果:“面向联邦学习的加密神经网路”(https://arxiv.org/abs/1908.08340)。该研究成果可不还里能 用于处置多头借贷难题报告 ,也能保障参与方的数据隐私。

联邦学习目的是通太满个参与方战略商务合作,同去训练机器学习模型,同去都也能保护数据隐私。目前联邦学习主要指在如下有有另一个方面的难题报告 :

1) 在训练过程中尽管没法传输客户数据,一定程度上保证了用户隐私。只是 我梯度信息仍然意味着着 会泄露用户隐私。

2) 联邦都要传输的模型梯度数据量非常大,在参与方和第三方通信过程中都要耗费较长时间。

为了处置上述难题报告 ,研究人员提出了这名基于加密神经网络的联邦学习方式,既可不还里能 保护用户的数据隐私,又可不还里能 压缩模型数据,加快联邦学习多多线程 。

加密神经网络(如下图所示)主要涵盖两累积:加密网络和解密网络。其中加密网络部署在参与方,输入为每个参与方生成的梯度信息,输出加密数据。解密网络部署在第三方服务器上,输入为各参与方产生的加密数据,输出为重构的梯度更新。

意味着着 ,在整个传输过程中只传输加密后的梯度信息,只是 我第三方的解码器也可不还里能重构出整体的梯度更新而也可不还里能重构出单个参与方的梯度信息。只是 我即可不还里能 保证参与方的梯度信息在传输中是安全的,又可不还里能 保证参与方信息对第三方服务器也是私密的。

加密神经网络在本质上同去实现了安全多方计算和同态加密的功能,该方式可不还里能 有效处置多头借贷难题报告 。借贷数据可不还里能 通过加密神经网络计算,曾经在传输过程甚至是第三方机构中全部前会会有可复原的数据出現,进而有效规避了隐私泄露的风险。

作为国内联邦学习的先驱,同盾科技致力于基础理论、算法和平台的创新研究、产品及服务的研发落地,推出有落地场景支撑的行业标准及开放平台,在人工智能研究院的大力推动下,同盾科技联邦学习正在加速产业化多多线程 ,太满太满基于理论的美好猜想,正渐渐闪烁让他兴奋的曙光。