伴隨著智能化時代的邁進，AI無處不在，萬事皆可智能化，很多企業走到了時代的風口，也不斷有著更多的企業想躋身隊伍，跨上AI大時代的戰車。大家都深知人工智能的三大基石是：算法、算力與數據。傳統企業有著豐富的數據基礎，卻缺乏技術能力；新型企業的技術能力緊跟時代步伐卻苦于數據貧瘠。算力可以花錢買到，算法可以通過培養招聘技術人才來補齊，但是數據匱乏卻使人在人工智能賽道上舉步維艱。

在國內外監管環境日漸完善的今天，大家都在加強數據保護意識，很多有巨大價值的數據即使在公司內部都無法流通，從而形成數據孤島。我國在今年9月推行的《中華人民共和國數據安全法》、將在11月1日起施行《中華人民共和國個人信息保護法》，都進一步要求數據在安全合規的前提下進行流動，這也讓聯邦學習再次掀起一波浪潮。

百度點石提供數據安全融合與應用服務、大數據核心技術能力，基于聯邦學習、多方安全計算、可信執行環境等主流隱私計算技術，安全高效實現數據賦能，助力客戶提升數據價值。
其中，基于百度飛槳開發的開源聯邦學習框架PaddleFL，讓企業之間的合作能夠在數據層面安全開展。開發人員很容易在大規模分布式集群中部署PaddleFL聯邦學習系統。PaddleFL提供多種聯邦學習策略（橫向聯邦學習、縱向聯邦學習）及其在計算機視覺、自然語言處理、推薦算法等領域的應用。

最近，PaddleFL新版本PaddleFL v1.1.2版本正式發布，在前期三方安全計算協議之上，新增了面向兩方場景的安全計算協議以及安全聯邦學習實現。新增特性描述如下：

1. 兩方安全計算協議PrivC實現

PrivC協議實現總體參考了ABY協議，支持兩方peer-to-peer計算模型以及外包計算模型，提供了半誠實模型下的計算安全性。在ABY協議混合電路計算的思想上，PrivC進行了一系列實現優化，如以tensor為單位聚合通信提升吞吐量，使用FreeXOR、HalfGate等方法降低加密電路運算開銷，使用全同態加密計算乘法三元組等，并對非線性機器學習算子進行了近似實現，有效地提升了兩方安全學習的性能。

2. 基于PrivC的兩方安全聯邦學習

PaddleFL在PrivC協議的基礎上，為只有兩個參與方情況下的聯邦學習場景提供了針對性的解決方案。PaddleFL目前提供了純兩方的矩陣乘法、fc、relu、sigmoid、softmax等機器學習常用算子及其梯度計算實現，支持兩方場景下的線性回歸、對率回歸、多層感知機等模型的訓練與預測，具有優良的性能。

圖 1 PaddleFL with PrivC運行示意圖

PaddleFL在兩方條件下的訓練性能如下：

2.1 場景一 線性回歸：

數據集與訓練參數：
UCI波士頓房價，epoch = 20，batch_size = 10，lr = 0.1；
數據量：506行，80%用于訓練，20%用于測試

2.2 場景二 邏輯回歸：

數據集與訓練參數：
MNIST數據集（label修改為二分類，“1”為1，其余為0），epoch = 1，batch_size = 128，lr = 0.01；
數據量：50 000條訓練樣本，10 000條測試樣本

3. 在線數據切片與分發

在1.1.2版本中，新增了對數據在線切片（secret-share）與分發的支持。在以前版本中，各實體間只能通過離線方式對數據進行切片，然后單獨傳輸到計算方上。而在PaddleFLv1.1.2中，各實體間可以通過在線方式對明文數據進行切片與分發，免去了中間數據存儲的步驟。

4. 增加對gRPC通信模式的支持

在1.1.2版本中，新增了對gRPC協議的支持，用戶可以根據需要指定采用Gloo通信模式或是gRPC通信模式。利用gRPC通信協議，可以有效應對網絡不穩定造成的閃斷等情況，并對未來實現網絡隔離條件下的端口收斂與單向通信提供了條件。

百度點石聯邦學習平臺兼容PaddleFL，為跨機構數據流通提供“可用不可見，相逢不相識”的極致安全體驗。以此解決金融、政府、醫療、互聯網等客戶在聯合風控、聯合營銷、聯合分析等場景的數據安全和隱私保護需求，實現數據價值極大釋放。

點擊進入獲得更多技術信息~~

總結

以上是生活随笔為你收集整理的数据可用不可见，百度新版本联邦学习PaddleFL来了的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。