原创力文档- 1、本文档共23页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
联邦学习与安全多方计算
导读：联邦学习和安全多方计算是当前跨机构数据协同的两类主流技术，本将从基
本思想、安全性、性能等多个方面介绍二者的区别，并介绍阿里在安全多方
计算方面的最新成果。
01
联邦学习的发展历史
1.联邦学习
DATAFUNCON
2020XB®Al的■标盘术玄殴
•联习(Federatedlearning,FL)由Google于2016年提出
•初衷是用于解决多个移动设备的分布式建模问题
例：GoogleGboard安卓输入法预测
为了智能预测下,需要针对大量用
OZS±户的输入历史数据进侨腐
GdodoyoudoyoutfwA4
设计目标：避免直接收集用户的输入历史，
qwert*yui*op尽量在端上训睡
ashJk
zxcvbnma
联邦学习在2016年由谷歌提出，因为Google有安卓系统，需要解决多个安卓设备
的分布式建模问题。其中,主要是针对输入法的建模，比如客户在安卓输入法中输入
单词“what”,或许他可能想继续输入d。youthink,Google输入法如果能自
动联想出来，用户体验就会变得比较好，但是自动联想功能需要大量的用户数据才能
学习出来，怎么获得这些用户数据呢？
一个比较粗暴的做法是用户输入了什么字就把这个字全部收集到云端上，但这种做法
无疑是对用户隐私的一种破坏。由于谷歌崇尚不作整，怎样在不收集用户输入字的
前提下，从而预测出用户接下来需要输入的字？因此，产生了联邦学习。
2.联邦学习用于多移动端分布式建模
DATAFUNCON冬嗅赛
2020大USAl的■新授木实骏
•联邦学习用于多移动终端分布式建模
•设计优点：设只上传传输梯度W,并不直接上传本喃入历史
联邦学习的设计优点就是用户数据尽量不离开用户自己的安卓设备，用户尽量在本地
完成一部分的训练，然后把训练的梯度传到谷歌的云端，这样谷歌只看见一个梯度，
它并没有获得这个用户的设备以前的聊天内容，这样在设计上有一种privacyby
design的设计优点。有很多这样的安卓设备，比如：ParameterServeri殳备是谷歌的
云端服务器，它开始会有一个全局的初始化模型，云端服务器会把模型推到各个设备
_L,然后各个设备基于本地的数据来优化模型，得到一个更新的梯度，把这个更新的
梯度发给服务器，服务器收到这么多梯度之后，会更新全局模型，然后发到这些设备
上,这些设备又迭代，直到这个模型在某种程度上收敛为止，这就是联邦学习最开始
的一个雏形。
3.国内联邦学习与谷歌联邦学习的区别
区别一：
DATAFUNCON信阿里登全
AUBMASKUITY
2020
文档评论（0）