人工智能系统需要依赖大量数据，然而数据的流转过程以及人工智能模型本身都有可能泄漏敏感隐私数据。

学界针对隐私泄露问题提出了多种针对性的保护方法，基于差分隐私和同态加密的联邦学习是一种常见的隐私保护方法。但联邦学习必须保证数据集特征空间一致，且引入噪声对模型精确度造成影响，此外，还存在部分敏感信息传递等问题，这些不足限制了联邦学习在实际生产中的应用前景。2018年，联邦迁移学习理论被提出。该理论中，训练所使用的多个数据集，无需保证特征空间的一致。另外，该理论使用同态加密替代差分隐私对隐私数据进行保护。这些改进为联邦学习在金融、医疗等场景中的应用带来了极大的便利。但是联邦迁移学习在实际使用中暴露出了严重的性能缺陷。

针对这个问题，来自于香港科技大学、星云Clustar以及鹏城实验室的研究人员联合发表了《量化评估联邦迁移学习(Quantifying the Performance of Federated Transfer Learning)》。该论文通过对联邦迁移学习框架进行研究，提出了联邦学习在实际应用中所面临的性能方面的挑战，并给出了相应优化方案。

论文：https://arxiv.org/abs/1912.12795

内容中包含的图片若涉及版权问题，请及时与我们联系删除