比特幣:隱私計算詞典丨聯邦學習為何如此博人眼球？

前言：隱私計算賽道作為當下的風口賽道，無數企業紛紛涌入，搶跑占道。作為一家專注于區塊鏈隱私計算賽道科普入門的垂直媒體，同時也是針對隱私計算興趣者開放的“純天然”、低門檻入口，我們匯總并分類了隱私計算行業內晦澀難懂的名詞，編寫了「隱私計算詞典」板塊，幫助大家理解、學習。?

此篇，我們來了解隱私計算技術架構的第三部分——聯邦學習。

近年來，從無人駕駛汽車，到AlphaGo擊敗頂尖的真人圍棋手等等，AI人工智能在科技領域的發展著實吸引了足夠多人的眼球。

然而，發展至今的AI人工智能仍面臨兩大現實問題：

行業數據分散且收集困難，數據以孤島的形式存在；

ARK報告：比特幣90d波動率顯示出自2017年以來從未見過的數值:金色財經報道，ARK Invest發布了《比特幣月刊》收益報告，報告顯示，

? 比特幣在短期持有者成本基礎和200w MA處仍有支撐，而在經實線調整的已實現價格處可能面臨阻力；

? 比特幣 90d 波動率顯示了自 2017 年以來從未見過的數值，這表明比特幣在未來幾周到幾個月內將會擴張；

? 壓縮哈希率似乎顯示出7月份礦工投降的跡象。我們認為這表明看漲反轉。活躍幣與休眠幣的比率表明持有行為達到了自 2020 年第四季度以來的水平；

? ARK自己的短期持有者盈虧比在本月接近 1，表示投機者處于盈虧平衡的水平。在牛市環境中，這通常與短期修正后的看漲反轉相關；

? 美國證券交易委員會和司法部的持續施壓使 Binance 的 BNB 代幣在關鍵支撐位盤整。我們認為，跌破 210 美元大關可能預示著這種加密貨幣將面臨麻煩；

? 貨幣政策的運作具有長達 12 至 18 個月的長期且可變的滯后，這表明美聯儲加息 22 倍的全面影響尚未顯現。[2023/8/4 16:17:57]

隱私得不到保障，安全共享數據成為了一道壁壘。

摩根大通將其JPM Coin系統擴展到包括歐元支付:金色財經報道，摩根大通擴大了其基于區塊鏈的支付系統JPM Coin，為企業客戶提供以歐元計價的交易。據Toprak稱，德國科技巨頭西門子在該平臺上進行了第一筆歐元支付。

摩根大通硬幣支付系統最初于2019年推出，用于轉移美元。在歐元擴張之際，JPM Coin迄今已處理了超過3,000億美元的交易。[2023/6/23 21:56:16]

針對此，人們提出了一種名為「聯邦學習」的隱私計算技術。

聯邦學習，又名聯邦機器學習、聯合學習。它是AI人工智能的一門分支技術，旨在保障大數據交換時的信息安全、數據保護，在合法合規的前提下，有效幫助多行業的數據進行機器學習建模。

CZ：Binance AI產品Bicasso Beta版本現已上線:3月1日消息，CZ 在社交媒體上宣布 Binance AI 產品 Bicasso Beta 版本現已上線。Bicasso 可利用 AI 技術將用戶的創意設想生成 NFT，鑄造上限為 1 萬枚。[2023/3/1 12:36:41]

隱私保護是聯邦學習最主要的關注點，在實際的應用中，聯邦學習通過將數據的不同特征在加密的狀態下加以聚合，以增強機器學習模型能力，再通過共享數據模型，避開原始數據共享，進而保證了數據的安全性。?

利用聯邦學習的特點，即使是不導出企業數據的情況下，也能為三方或多方建立機器學習模型，既充分保護了數據隱私和數據安全，又為客戶提供個性化、有針對性的服務，實現了互惠互利。?

今日恐慌與貪婪指數為45，等級由中性轉為恐慌:金色財經報道，今日恐慌與貪婪指數為45（昨日為47），恐慌程度較昨日有所上升，等級由中性轉為恐慌。注：恐慌指數閾值為0-100，包含指標：波動性（25%）＋市場交易量（25%）＋社交媒體熱度（15%）＋市場調查（15%）＋比特幣在整個市場中的比例（10%）＋谷歌熱詞分析（10%）。[2022/8/15 12:25:59]

同時，我們可以利用不同類別的聯邦學習技術來解決數據異質性問題，突破傳統AI技術的局限性。依照參與建模的數據源分布，聯邦學習可分為橫向聯邦學習、縱向聯邦學習和聯邦遷移學習三類。?

橫向聯邦學習

?假設收集兩個數據集，這兩個數據集用戶特征重疊多，而用戶重疊少。我們把數據集按照用戶維度切分，取出雙方用戶特征相同，而用戶不完全相同的部分數據作為機器的訓練數據，這種模型稱為橫向聯邦學習。?

例如，兩個不同行政區的銀行，用戶群體分別來自所在行政區，重疊部分少。但是同作為銀行，業務類似，因此數據集收集的用戶特征則大體相同。因此，橫向聯邦學習模型收集的是兩個數據集不完全相同的用戶部分。?

如下圖所示：?

縱向聯邦學習

與橫向聯邦學習相反，在兩個數據集用戶重疊多、用戶特征重疊少的情況下，縱向聯邦學習把數據集按照數據特征維度切分，取出雙方用戶相同，而用戶特征不完全相同的部分作為機器訓練數據。?

例如，同一個行政區的銀行和商超，其收集的數據用戶群體大致類似，但銀行和商超收集到的用戶特征基本不同。因此，縱向聯邦學習模型收集的是兩個數據集不完全相同的用戶特征部分。?

如下圖所示：

聯邦遷移學習

在用于機器學習的數據集樣本用戶與用戶特征重疊都較少的情況下，通常不對數據進行切分，而是引入聯邦遷移學習，來解決數據不足的問題，從而提升模型的效果。

具體地，可以擴展已有的機器學習方法，使之具有橫向聯邦學習或者縱向聯邦學習的能力。?例如，收集一家位于北京的銀行和一家位于上海的商超的數據，由于受到地域限制，用戶群體交集很小；同時，由于銀行和商超類型的不同，二者收集的數據特征也基本無重合。?

引入聯邦遷移學習，首先可以先讓兩個數據集訓練各自的模型，之后通過加密模型數據，避免在傳輸中泄露隱私。之后，對這些模型進行聯合訓練，最后得出最優的模型，再返回給各個企業。?

如下圖所示：?

多種類別的聯邦學習方式使得機器學習模型更加具有通用性，可以在不同數據結構、不同行業間發揮作用，沒有領域和算法限制，同時具有模型質量無損、保護隱私、確保數據安全的優勢。?

在實際的應用中，類似銷售、金融等行業，由于知識產權、隱私保護和數據安全等因素限制，數據壁壘很難打通。

聯邦學習成為了解決這些問題的關鍵，在不影響數據隱私和安全的情況下，對來自多方的數據進行統一的建模，進行機器學習模型的訓練，這些企業之間就能更好地進行數據協作。?

可以說，聯邦學習為構建跨行業、跨地域的大數據和人工智能生態圈提供了良好的技術支持。?考慮到在整個訓練過程中，進行模型更新的通信仍然可以向第三方或中央服務器顯示敏感信息，因此聯邦學習技術廣泛地與安全多方計算、TEE或者區塊鏈等技術結合應用，來增強聯邦學習的隱私性和去信任。

但目前已有的方法通常以降低模型性能或系統效率為代價提供隱私，因此，如何在理論和經驗上理解和平衡這些權衡，將是實現聯邦學習技術廣泛應用落地的一個相當大的挑戰。

來源：金色財經

Tags：比特幣人工智能BINANCbcd比特幣鉆石最新消息人工智能專業Binance8Beta Finance

火幣APP