联邦迁移学习是什么？如何应用？

1、随着数据隐私保护和数据安全形势日益严峻,GDPR等一系列严格的数据隐私保护法律法规出台,出于政策法规、商业竞争等因素,机构间数据很难互通, “数据孤岛”成为人工智能落地的更大阻碍之一,迁移学习或许能解决小数据问题,但如何实现行业内甚至跨行业的更大范围合作,对人工智能商业化来说更为重要。

2、联邦学习作为分布式的机器学习范式,可以有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,能从技术上打破数据孤岛,实现AI协作。

3、“联邦迁移学习”的解决方案,是将迁移学习和联邦学习结合起来。让联邦学习更加通用化,可以在不同数据结构、不同机构间发挥作用,没有领域和算法限制,同时具有模型质量无损、保护隐私、确保数据安全的优势。

4、腾讯安全为所有有联邦迁移学习需求的企业提供了联邦学习应用服务，有需求的企业可直接使用腾讯安全联邦学习应用服务（FLAS）。

腾讯是国内最早倡导“联邦学习”的企业之一，其联邦学习技术已覆盖 PaaS 级和SaaS 级领域，形成产业链协同互补关系，从而提升腾讯安全联邦学习技术的附加值。

5、在 PaaS 级层面，腾讯微众银行提出了工业级别联邦学习框架——联邦学习开源项目 Federated AI Technology Enabler(简称 FATE)；腾讯TEG数据平台基于自研分布式机器学习平台Angel，设计了一种“去中心化”的联邦学习框架 PowerFL，并研发了 FM、神经网络等联邦学习算法。腾讯安全对这两种计算框架进行了云化部署，形成了PaaS 级联邦学习服务。

6、在 SaaS 级层面，腾讯安全联邦学习应用服务基于自身海量安全大数据，提供安全、合规、高效的联合建模服务，并通过部署在云端的 SaaS 服务进行输出，帮助企业机构用户快速应用联邦学习技术成果；同时支持海量互联网用户参与对用户有价值的联合建模，在个人隐私数据均不出个人终端设备的情况下实现有价值的数据应用。