|
金融界网站讯 随着数据成为关键生产要素，寻求数据隐私与共享的平衡点成为行业探索新方向。联邦学习做为新兴的技术范式，能够在“数据不出本地”前提下，实现安全数据模型共建与AI协作，而成为各行各业最新研究趋势。近年来，麻省理工学院、加州大学伯克利分校、卡内基梅隆大学、清华大学、浙江大学、谷歌、微软、百度、阿里、腾讯等海内外知名研究机构与企业均进行了相关探索。 做为国内领先的智能分析决策服务商，同盾科技是较早涉足数据“可用不可见”领域探索的企业之一，并取得多重前沿性成果。同盾科技基于联邦学习提出了“知识联邦”的理论框架体系，支持从信息层、模型层、认知层和知识层四个层级进行联邦，助力数据价值安全共享。近日，同盾知识联邦白皮书重磅发布，白皮书中对知识联邦的背景、定义、平台、挑战、场景应用以及未来发展前景进行了全方位、全景式剖析，为领域探索者提供行业有价值参照。 知识联邦：实现“数据可用不可见” 联邦学习是由Google在2016年最先提出，原本用于在用户手机终端构建模型和模型迭代问题，其目的是保障数据交换时的信息安全，�；じ鋈耸菀�，同时利用手机终端的计算能力，进行多计算结点的高效机器学习。根据联邦学习的数据分布特点，将联邦学习分为跨样本联邦、跨特征联邦和复合型联邦。 而知识联邦比联邦学习的范畴更大。联邦学习只是知识联邦的一个子集，侧重于安全的联合建模。 据同盾知识联邦白皮书介绍，知识联邦是一个国产原创、自主可控、全球引领的技术体系，该体系在解决了数据割裂和隐私�；の侍獾耐�，可以进一步开展跨源跨域的知识发现、表示、归纳、推理和演绎，关注的是安全的、数据到知识的“全生命周期”的知识创造、管理和使用及其监管，设计目标是面向生产环境的完整知识联邦生态系统，致力于推动下一代人工智能。 知识联邦通过将数据转化成信息、模型、认知或知识，满足数据不可见，再通过联邦的方式实现数据可用�；诙喾绞萁邪踩闹豆泊�、共享和推理，知识联邦打造出安全的人工智能，实现了“数据的可用不可见”。 知识联邦：开创数据安全共享技术潮流 知识联邦白皮书对知识联邦与相关技术进行了深入分析和解读。技术层面，知识联邦采用的是弱中心化的分布式方法，这与传统的强中心化和完全的去中心化有很大差别的。强中心化模式下，中心节点会聚集并保存所有参与方的数据，所有的计算和学习都是在中心节点完成，强中心化方式有数据安全隐患，隐私�；し矫嬉埠苣押瞎�。去中心化模式没有中心节点，需要所有参与方互联互通。去中心化当节点规模较大时，通信成本很高，达成共识效率低下。而弱中心化模式中原始数据是保留在本地，并且不会离开本地的，计算和学习仍然发生在本地，中心节点仅对参与方模型知识进行安全的聚集。弱中心化模式达成了效率和安全之间的平衡，是一种更切实可行的安全多方应用解决方案。这种模式尤其适合在强监管行业应用，有助于监管部门开展合规监管工作。 (责任编辑：admin) |
 |
网站活动： |
