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:0
  • 来源:彩神大发快3官方-彩神快三

随着社会各界对于当事人隐私保护的日益重视,数据和信息安全肯能成为数字和智能时代重要的信任基石,而以机器学习和层厚学习为代表的前要依靠海量数据训练机器的人工智能模式,肯能也前要进一步革命,肯能不多不多 领域实际上并这样 海量的数据作为基础,后该 随着数据隐私保护的日益强化,下行下行速率 与安全之间的矛盾也日益凸显。

联邦学习技术的突然出现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,通过去中心化公司企业合作 的辦法 ,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问题报告 ,外理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,针对这人数据隐私问题报告 ,可不都后能 利用联邦的思想,将银行、信贷公司、消费金融公司、P2P平台等金融企业不多不多 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层厚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)。该研究成果可不都后能 用于外理多头借贷问题报告 ,可不都后能 保障参与方的数据隐私。

联邦学习目的是通不多个参与方公司企业合作 ,共同训练机器学习模型,共同前可不都后能 保护数据隐私。目前联邦学习主要位于如下一个 多方面的问题报告 :

1) 在训练过程中尽管这样 传输客户数据,一定程度上保证了用户隐私。后该 梯度信息仍然肯能会泄露用户隐私。

2) 联邦前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前要耗费较长时间。

为了外理上述问题报告 ,研究人员提出了某种基于加密神经网络的联邦学习辦法 ,既可不都后能 保护用户的数据隐私,又可不都后能 压缩模型数据,加快联邦学习多多守护进程 。

加密神经网络(如下图所示)主要所含两次要: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。

肯能,在整个传输过程中只传输加密后的梯度信息,后该 第三方的解码器必须重构出整体的梯度更新而必须重构出单个参与方的梯度信息。后该 即可不都后能 保证参与方的梯度信息在传输中是安全的,又可不都后能 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共同实现了安全多方计算和同态加密的功能,该辦法 可不都后能 有效外理多头借贷问题报告 。借贷数据可不都后能 通过加密神经网络计算,一个 多在传输过程甚至是第三方机构中后该会有可复原的数据突然出现,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守护进程 ,后该 基于理论的美好猜想,正渐渐闪烁你要兴奋的曙光。