2021全球联邦学习研究与应用趋势报告.docx

2021全球联邦学习研究 2021全球联邦学习研究与应用趋势报告 2021 Global Federal Learning Research And Applic Trend Report 2021.09 ation 1 2 2 主要发现 联邦学习是一种新兴的人工智能基础技术。本报告从技术研究、行业应用、学者画像以及发展趋势等维度，较为全面深入地分析了联邦学习自2016年诞生至2020年的重要发展成就。 联邦学习“中美双雄”格局显现 中美两国有关联邦学习的论文发布量遥遥领先于其他国家；在论文发布量TOP 10机构中，中美各占4席和3席；中美两国论文合作数量也全球最多，且半数以上的高被引论文来自中美两国，但美国的论文引用量显著领先，中国位居第二。 全球专利受理数量以中国地区最多，共1514项；美国位居第二，共579项。在专利申请数量TOP10机构中，中国占7席，美国占3席。 开源框架主要来自中美，其中OpenMined 推出的Pysyft 、微众银行的FATE和谷歌的TFF框架的热度居于全球前三位。 联邦学习领域的全球学者共计2,764名，中美分别拥有816和817名，各占全球总量的30%。 未来联邦学习研究趋势将与算法模型和安全隐私技术相关 目前联邦学习研究热点主要聚焦在机器学习方法、模型训练、隐私保护三方面。 未来几年研究趋势将与算法模型和安全隐私技术相关，如Edge Computing（边缘计算）、Data Heterogeneity（数据异质性）、Internet Of Things（物联网）、Blockchain（区块链）、Wireless Communication（无线通信）、Communication Efficiency（沟通效率）等。 行业应用研究方向呈现出不断与区块链、物联网、车辆交互、5G等技术融合的态势。 PAGE PAGE 5 目 录 报告说明 数据范围 联邦学习知识树 引言 人工智能可持续发展面临的困境 联邦学习概念的介绍 联邦学习技术研究与应用现状 技术研究现状 联邦学习框架与系统现状 联邦学习行业应用现状 联邦学习发展趋势 研究趋势 技术成熟度 市场化与商业化趋势 推行联邦学习的国内外标准 建立联邦学习生态 结语 联邦学习（Federated Learning）是在进行分布式机器学习的过程中，各参与方可借助其他参与方数 据进行联合建模和使用模型。参与各方无需传递和 共享原始数据资源，同时保护模型参数，即在数据 不出本地的情况下，进行数据联合训练、联合应用， 建立合法合规的机器学习模型[1]。 联邦学习是一种新兴的人工智能基础技术，其概念 于 2016 年由谷歌公司H. Brendan Mcmahan 在论 文 Federated Learning of Deep Networks using Model Averaging [2] 中最先提出，原本用于解决安卓手机终端用户在本地更新模型的问题， 后经香港科技大学与微众银行杨强教授所领导团队 在2018年将其扩展为机构间B2B分布式联合建模架 构，包括按样本、特征分割以及异构多方建模，同 时可以建立去中心协调器的Peer-to-Peer架构形式， 其设计目标是在保障大数据交换时的信息安全、保 护终端数据和个人数据隐私、保证合法合规的前提 下，在多参与方或多计算结点之间开展高效率，安 全、可靠的机器学习。联邦学习同时包括鼓励多方 持续参与合作生态的激励机制，建立正向激励的数 据价值交易市场机制。当下，联邦学习已经被大量 应用于金融[3]、安防[4]、医疗[5]、在线推荐系统[6]等 领域。联邦学习有望成为下一代人工智能协同算法， 隐私计算和协作网络的基础。 《2021联邦学习全球研究与应用趋势报告》主要从技术研究、学者画像、主流框架、行业应用，以及发展趋势几大方面，较为全面深入地介绍联邦学习自2016年诞生以来到2020年的技术研究和应用进展，并展望该技术的未来发展方向与前景。 （一）数据范围 本报告研究数据范围是科技情报大数据挖掘与服务系统平台AMiner数据库所收录的2016-2020年期间与联邦学习研究主题强相关的论文数据、专利数据以及公开数据等。论文的引用量数据统计截止日期为2021年5月31日。 （二）联邦学习知识树 本报告根据联邦学习的关键技术和相关技术，利用AMiner 数据库中近年来该领域的高水平学术论文， 挖掘出了全球活跃的联邦学习的重要技术点，并表 征为知识树结构，如图1所示。 告 说 明 告 说 明 [1]杨强、刘洋、陈天健等：《联邦学习》，载《中国计算机学会通讯》，2018年版，第49-55页。 [2] McMahan, H. B., Moore, E., Ramage, D., y Arcas, B. A.