Axelar:隱私計算詞典丨聯邦學習為何如此博人眼球？_flare幣投資機構

前言：隱私計算賽道作為當下的風口賽道，無數企業紛紛涌入，搶跑占道。作為一家專注于區塊鏈隱私計算賽道科普入門的垂直媒體，同時也是針對隱私計算興趣者開放的“純天然”、低門檻入口，我們匯總并分類了隱私計算行業內晦澀難懂的名詞，編寫了「隱私計算詞典」板塊，幫助大家理解、學習。?

此篇，我們來了解隱私計算技術架構的第三部分——聯邦學習。

近年來，從無人駕駛汽車，到AlphaGo擊敗頂尖的真人圍棋手等等，AI人工智能在科技領域的發展著實吸引了足夠多人的眼球。

然而，發展至今的AI人工智能仍面臨兩大現實問題：

行業數據分散且收集困難，數據以孤島的形式存在；

北京城市副中心去年共新增落地元宇宙企業63家:金色財經報道，2023北京城市副中心產業高質量發展大會舉行。記者從會上獲悉，2022年副中心元宇宙產業創新資源不斷涌入，去年共新增落地元宇宙企業63家，大企業帶動效應初步顯現。空間布局初步形成，2000平方米元宇宙應用創新中心完成建設。（新京報）[2023/3/20 13:14:21]

隱私得不到保障，安全共享數據成為了一道壁壘。

針對此，人們提出了一種名為「聯邦學習」的隱私計算技術。

聯邦學習，又名聯邦機器學習、聯合學習。它是AI人工智能的一門分支技術，旨在保障大數據交換時的信息安全、數據保護，在合法合規的前提下，有效幫助多行業的數據進行機器學習建模。

Axelar正在推出Axelar虛擬機(VM):金色財經報道，幫助開發人員構建跨鏈加密應用程序的區塊鏈網絡Axelar正在推出Axelar虛擬機(VM)，Axelar將其新虛擬機描述為Kubernetes for Web3。Axelar在一份聲明中表示，“Axelar虛擬機將允許開發者在EVM、Cairo VM、Cosmos或其他生態系統上構建他們的dApps（去中心化應用），并在所有鏈上運行它們。”

Axelar將自己描述為“Web3的Stripe”，正如Stripe為Web2開發人員提供一站式服務，幾乎可以將任何銀行機構融入他們的應用程序一樣，Axelar旨在幫助Web3開發人員無縫集成不同的鏈。[2023/2/28 12:32:51]

隱私保護是聯邦學習最主要的關注點，在實際的應用中，聯邦學習通過將數據的不同特征在加密的狀態下加以聚合，以增強機器學習模型能力，再通過共享數據模型，避開原始數據共享，進而保證了數據的安全性。?

XRP市值跌破200億美元:金色財經報道，據Coingecko數據顯示，XRP市值已跌破200億美元關口，當前為19,704,635,008美元。XRP市值于11月8日被Binance USD超越，后者已成為市值第六大加密貨幣，當前市值為24,888,982,501美元。[2022/11/9 12:36:50]

利用聯邦學習的特點，即使是不導出企業數據的情況下，也能為三方或多方建立機器學習模型，既充分保護了數據隱私和數據安全，又為客戶提供個性化、有針對性的服務，實現了互惠互利。?

同時，我們可以利用不同類別的聯邦學習技術來解決數據異質性問題，突破傳統AI技術的局限性。依照參與建模的數據源分布，聯邦學習可分為橫向聯邦學習、縱向聯邦學習和聯邦遷移學習三類。?

美SEC執法主管：不會放慢針對加密貨幣的法律行動:9月9日消息，美國證券交易委員會執法部門主管 Gurbir Grewal 在由法律教育非營利組織執業法律研究所主辦的論壇上表示，無論使用什么技術，都將繼續采取行動，不會放慢針對加密貨幣的法律行動。他還稱：不執行我們監管結構中最基本的規則——這將是對信任的背叛。[2022/9/9 13:20:17]

橫向聯邦學習

?假設收集兩個數據集，這兩個數據集用戶特征重疊多，而用戶重疊少。我們把數據集按照用戶維度切分，取出雙方用戶特征相同，而用戶不完全相同的部分數據作為機器的訓練數據，這種模型稱為橫向聯邦學習。?

例如，兩個不同行政區的銀行，用戶群體分別來自所在行政區，重疊部分少。但是同作為銀行，業務類似，因此數據集收集的用戶特征則大體相同。因此，橫向聯邦學習模型收集的是兩個數據集不完全相同的用戶部分。?

如下圖所示：?

縱向聯邦學習

與橫向聯邦學習相反，在兩個數據集用戶重疊多、用戶特征重疊少的情況下，縱向聯邦學習把數據集按照數據特征維度切分，取出雙方用戶相同，而用戶特征不完全相同的部分作為機器訓練數據。?

例如，同一個行政區的銀行和商超，其收集的數據用戶群體大致類似，但銀行和商超收集到的用戶特征基本不同。因此，縱向聯邦學習模型收集的是兩個數據集不完全相同的用戶特征部分。?

如下圖所示：

聯邦遷移學習

在用于機器學習的數據集樣本用戶與用戶特征重疊都較少的情況下，通常不對數據進行切分，而是引入聯邦遷移學習，來解決數據不足的問題，從而提升模型的效果。

具體地，可以擴展已有的機器學習方法，使之具有橫向聯邦學習或者縱向聯邦學習的能力。?例如，收集一家位于北京的銀行和一家位于上海的商超的數據，由于受到地域限制，用戶群體交集很小；同時，由于銀行和商超類型的不同，二者收集的數據特征也基本無重合。?

引入聯邦遷移學習，首先可以先讓兩個數據集訓練各自的模型，之后通過加密模型數據，避免在傳輸中泄露隱私。之后，對這些模型進行聯合訓練，最后得出最優的模型，再返回給各個企業。?

如下圖所示：?

多種類別的聯邦學習方式使得機器學習模型更加具有通用性，可以在不同數據結構、不同行業間發揮作用，沒有領域和算法限制，同時具有模型質量無損、保護隱私、確保數據安全的優勢。?

在實際的應用中，類似銷售、金融等行業，由于知識產權、隱私保護和數據安全等因素限制，數據壁壘很難打通。

聯邦學習成為了解決這些問題的關鍵，在不影響數據隱私和安全的情況下，對來自多方的數據進行統一的建模，進行機器學習模型的訓練，這些企業之間就能更好地進行數據協作。?

可以說，聯邦學習為構建跨行業、跨地域的大數據和人工智能生態圈提供了良好的技術支持。?考慮到在整個訓練過程中，進行模型更新的通信仍然可以向第三方或中央服務器顯示敏感信息，因此聯邦學習技術廣泛地與安全多方計算、TEE或者區塊鏈等技術結合應用，來增強聯邦學習的隱私性和去信任。

但目前已有的方法通常以降低模型性能或系統效率為代價提供隱私，因此，如何在理論和經驗上理解和平衡這些權衡，將是實現聯邦學習技術廣泛應用落地的一個相當大的挑戰。

來源：金色財經

Tags：LARAXELAxelarAXEflare幣投資機構axelar幣解鎖Axentro

BNB價格