跨机构协作下的隐私计算——联邦学习的可行性分析.pdfVIP

2024年4月计算机应用文摘第40卷第8期

跨机构协作下的隐私计算

——联邦学习的可行性分析

孙兴达，卢彩霞，高天，谢长涛，唐志涛，赵园园

（北京国电通网络技术有限公司，北京100085）

摘要:在当今数据密集型社会中，跨机构协作变得越来越重要，但同时引发了人们对隐私保护的担忧。文章通

过分析联邦学习作为一种跨机构协作的隐私计算方法的可行性，探讨了联邦学习的优势、跨机构数据协作的风

险、隐私计算保护措施以及实施联邦学习的可行性考量。研究结果表明，联邦学习是一种有效的跨机构协作方

式，可以在一定程度上解决隐私保护和数据共享之间的矛盾，但仍需要通过充分的隐私计算保护措施和技术支

持来确保数据的隐私安全。

关键词:联邦学习；隐私计算；跨机构协作；隐私保护；数据共享

中图分类号:TP181文献标识码:A

Privacycomputingundercrossagencycollaboration

—Feasibilityanalysisoffederatedlearning

SUNXingda,LUCaixia,GAOTian,XIEChangtao,TANGZhitao,ZHAOYuanyuan

（BeijingGuodiantongNetworkTechnologyCo.,Ltd.,Beijing100085,China）

Abstract:Intoday̓sdata-intensivesociety,crossagencycollaborationhasbecomeincreasinglyimportant,butithas

alsoraisedconcernsaboutprivacyprotection.Thisarticleanalyzesthefeasibilityoffederatedlearningasaprivacy

computingmethodforcrossagencycollaboration,explorestheadvantagesoffederatedlearning,therisksofcross

agencydatacollaboration,privacycomputingprotectionmeasures,andfeasibilityconsiderationsforimplementing

federatedlearning.Theresearchresultsindicatethatfederatedlearningisaneffectivewayofcrossagency

collaboration,whichcantosomeextentsolvethecontradictionbetweenprivacyprotectionanddatasharing.However,it

stillrequiressufficientprivacycomputingprotectionmeasuresandtechnicalsupporttoensuretheprivacyandsecurity

ofdata.

Keywords:federatedlearning,privacycomputing,crossagencycollaboration,privacyprotection,datasharing

训练模型，然后通过安全的方式将模型参数聚合到一

1研究背景和意义