0
| 本文作者： 周蕾 | 2020-04-23 14:58 | 專題：金融聯(lián)邦學(xué)習(xí)公開課 |
近期，微眾銀行首席人工智能官、香港科技大學(xué)講席教授楊強(qiáng)做客雷鋒網(wǎng)AI金融評(píng)論公開課，以“聯(lián)邦學(xué)習(xí)前沿的研究與應(yīng)用”為題，全面詳盡地講解了聯(lián)邦學(xué)習(xí)如何直面數(shù)據(jù)孤島和隱私保護(hù)的雙重挑戰(zhàn)。
關(guān)注微信公眾號(hào) AI金融評(píng)論 ，在公眾號(hào)聊天框回復(fù)“聽課”，進(jìn)群可收看本節(jié)課程視頻回放。
本文編譯：卡卡。以下為楊強(qiáng)演講全文內(nèi)容與精選問答：
今天的題目是和金融相關(guān)的，先給大家講一下，為什么在金融行業(yè)有特別的需求來保護(hù)用戶隱私。我希望大家記住一句話：數(shù)據(jù)不動(dòng)，模型動(dòng)。
在金融行業(yè)，現(xiàn)在大部分的應(yīng)用都是數(shù)據(jù)驅(qū)動(dòng)的，卻面臨非常嚴(yán)峻的挑戰(zhàn)。
首先人工智能的力量來自于大數(shù)據(jù)，但在實(shí)際運(yùn)用過程中碰到更多的都是小數(shù)據(jù)。比方說法律案例，有人做過統(tǒng)計(jì)，案例最多也就收集到上萬個(gè)。又比如金融反洗錢，因?yàn)榉聪村X案例是少數(shù)的現(xiàn)象，所以每一個(gè)案例都非常重要。對(duì)于醫(yī)療圖像，非常好的標(biāo)注的醫(yī)療圖像也非常少。所以我們可以發(fā)現(xiàn)：周邊更多的是小數(shù)據(jù)，但AI恰恰需要使用大數(shù)據(jù)。
幾個(gè)例子：首先是在金融領(lǐng)域，比如信貸風(fēng)控、市場(chǎng)營(yíng)銷，都需要大量的數(shù)據(jù)訓(xùn)練。大額貸款風(fēng)控的案例又非常少。要是來做深度學(xué)習(xí)模型，只用少量這種大額貸款的樣本是遠(yuǎn)遠(yuǎn)不夠的。
另外一個(gè)例子是智慧城市。智慧城市有很多的攝像頭，每一個(gè)攝像頭可以獲取的數(shù)據(jù)其實(shí)是有限的，希望聚合不同攝像頭的一些數(shù)據(jù)。但如果它們來自不同的公司，或涉及用戶隱私，就無法簡(jiǎn)單粗暴合并。
大家都知道人工智能的一個(gè)未來（應(yīng)用方向）是無人車，但是每一輛無人車所面臨的新的數(shù)據(jù)卻是有限的。如果要更新我們的模型，就需要大量新的數(shù)據(jù)，它來自于不同的無人車，每個(gè)車輛的數(shù)據(jù)里面肯定是有隱私，同時(shí)也是小數(shù)據(jù)。
又比如網(wǎng)購(gòu)，像物流系統(tǒng)、供應(yīng)鏈系統(tǒng)，有很多的倉(cāng)儲(chǔ)，如果要自動(dòng)化，就有很多的監(jiān)控的需求，這種數(shù)據(jù)往往是小數(shù)據(jù)，也是分散型的數(shù)據(jù)，把它聚合起來也不是那么容易。
比如拿手機(jī)看新聞，有很多推薦系統(tǒng)，每個(gè)手機(jī)上面所獲取的用戶喜好信息，也是小數(shù)據(jù)，聚合它也面臨到用戶隱私的問題。
問題是：周邊都是小數(shù)據(jù)，是不是可以把它聚合起來，聚少成多？當(dāng)然這個(gè)是我們最直接的想法，人工智能一開始的發(fā)展也是這么來做的，但是現(xiàn)在面臨了嚴(yán)峻的挑戰(zhàn)。
社會(huì)層面，對(duì)于隱私和安全的意識(shí)越來越強(qiáng)，政府的監(jiān)管，相關(guān)法律法規(guī)越來越嚴(yán)。
歐洲首先推出來的法規(guī)叫GDPR。它有各種條款，最重要的一條是要保護(hù)隱私的數(shù)據(jù)，保證隱私權(quán)是掌握在用戶手中。自從它2018年推出來以后，已經(jīng)有不少的大公司被罰款，比如Facebook和Google。
在美國(guó)進(jìn)展稍微慢一點(diǎn)，但現(xiàn)在加州的法律也跟上來了，叫CCPA。國(guó)內(nèi)也是法律嚴(yán)格化、全面化，各行各業(yè)的法律法規(guī)都面世了。
我們?cè)谟?xùn)練模型過程中希望有海量的大數(shù)據(jù)，現(xiàn)實(shí)卻是一個(gè)個(gè)數(shù)據(jù)的孤島。想把數(shù)據(jù)孤島連起來，形成一個(gè)大數(shù)據(jù)，卻遇到了法律法規(guī)的嚴(yán)格限制。
我們面臨的兩個(gè)技術(shù)問題，也是我個(gè)人研究感興趣的問題：第一個(gè)是如何用遷移學(xué)習(xí)來解決小數(shù)據(jù)，這個(gè)不在今天的講座里。今天重點(diǎn)放在右邊這個(gè)圖：數(shù)據(jù)都是碎的，如果想把碎的數(shù)據(jù)拼起來，有什么辦法？下面就要講一下我們的解決方案，聯(lián)邦學(xué)習(xí)（Federated Learning）。
Federated Learning，說白了想達(dá)到這樣一種狀態(tài)：有多個(gè)數(shù)據(jù)源，有多個(gè)數(shù)據(jù)孤島，每一個(gè)數(shù)據(jù)源的數(shù)據(jù)都不動(dòng)，都在本地。但是讓這一些具有數(shù)據(jù)源的擁有方（Owner）能夠達(dá)成一個(gè)協(xié)議，使得大家可以聯(lián)合起來建立一個(gè)模型，就是聯(lián)邦模型。可以有各種各樣建立合作模型的方式和算法，但是總目的一樣：就是改變以往的做法，讓數(shù)據(jù)在本地不動(dòng)，通過交換一些模型的信息，讓模型成長(zhǎng)起來。
這樣做需要一些數(shù)學(xué)工具和計(jì)算工具，前者最突出的就是有關(guān)隱私保護(hù)、加密建模的工具；后者最突出的就是分布式的機(jī)器學(xué)習(xí)。
可能有些同學(xué)是第一次聽到聯(lián)邦學(xué)習(xí)這個(gè)名詞，我用一個(gè)簡(jiǎn)單的例子來給大家進(jìn)行解釋。
假設(shè)用一只羊來類比機(jī)器學(xué)習(xí)模型，我們希望羊吃了草以后能夠長(zhǎng)大。
過去的做法是，把草買到一起來建立模型。比方說左邊的模型，左邊的箭頭是指向羊的。羊不動(dòng)，但是草被購(gòu)買到中心。相當(dāng)于用簡(jiǎn)單粗暴的辦法來獲取數(shù)據(jù)，形成大數(shù)據(jù)，來建立模型。
但我們希望能夠保護(hù)各自的隱私，所以讓草不動(dòng)，讓羊動(dòng)。也就是說，我們帶著模型到不同的草場(chǎng)去訪問，那么久而久之羊就長(zhǎng)大了——這個(gè)就是聯(lián)邦學(xué)習(xí)的新思路，就是讓草不出草場(chǎng)，本地主人無法知道羊吃了哪些草，但是羊還是長(zhǎng)大了。
怎么落地？第一個(gè)做法，假設(shè)每一個(gè)數(shù)據(jù)擁有方具有不同的樣本，但是縱向特征卻基本一致。這就相當(dāng)于我們有那么大的一個(gè)大數(shù)據(jù)的數(shù)據(jù)集，從橫向進(jìn)行切割，形成了一堆一堆的樣本，他們的特征卻是類似的。
比如每一個(gè)手機(jī)都是我們個(gè)人在使用，形成了一堆樣本。有不同的手機(jī)，每個(gè)手機(jī)基本上取的這些特征都一樣，但樣本卻不同。我們希望在數(shù)據(jù)不動(dòng)的情況下，能夠聚合這些手機(jī)上的數(shù)據(jù)的這些能力，建立大數(shù)據(jù)模型。
就像這個(gè)圖左邊所示的數(shù)據(jù)集們，依次對(duì)應(yīng)右邊各終端上面的數(shù)據(jù)。它們的特征是縱向的，X1、X2、X3是類似的，但樣本U1、U2…U10卻是不同的。所以這個(gè)叫橫向切割，按樣本切割，簡(jiǎn)稱橫向聯(lián)邦學(xué)習(xí)。
橫向聯(lián)邦學(xué)習(xí)，用數(shù)學(xué)的形式表示它是一個(gè)矩陣。一個(gè)數(shù)據(jù)集是左上角，一個(gè)數(shù)據(jù)集是右下角，它們有很大的在特征方面的重疊，但是他們的樣本用戶卻不重疊，可能他們有各自的標(biāo)簽。
左邊和右邊有各自的標(biāo)簽，但是我們希望利用所有的數(shù)據(jù)來建模，而不是僅僅靠一個(gè)終端上面的數(shù)據(jù)來建一個(gè)小模型，希望把他們聚集起來建立大模型，但是他們的這些數(shù)據(jù)不能動(dòng)。
這時(shí)候就需要用到橫向聯(lián)盟學(xué)習(xí)的模型。簡(jiǎn)單來說，每個(gè)終端都和服務(wù)器有一個(gè)連接，要保證我們跟服務(wù)器的溝通，不是數(shù)據(jù)的溝通，而僅僅是模型參數(shù)的溝通。在這里參數(shù)是w1、w2直到wk，這些參數(shù)在旁邊有兩個(gè)直角括號(hào)（[ ]），在數(shù)學(xué)上代表加密，所以在這里用到的是一個(gè)加密的數(shù)學(xué)模型。
這些參數(shù)加密以后，把加密的包送給服務(wù)器，服務(wù)器不懂加密包里面到底有什么，只知道這個(gè)是有關(guān)參數(shù)的加密包。現(xiàn)在有一種技術(shù)可以把這種加密包在服務(wù)器端進(jìn)行合起來，合起來的結(jié)果會(huì)形成一個(gè)新的模型，就是上面所示的神經(jīng)網(wǎng)絡(luò)模型。這就是第一步到第六步的流程。
在數(shù)學(xué)上，這樣的結(jié)合實(shí)際上是一種模型的疊加，兩個(gè)不同的數(shù)據(jù)集，它建立的兩個(gè)不同分類模型，一個(gè)是線性模型，另外一個(gè)可能是KNN模型，這兩個(gè)模型合起來就會(huì)形成一個(gè)高維空間的模型。
我們希望在這個(gè)建模過程中，每一個(gè)數(shù)據(jù)集都不向服務(wù)器端泄露它本身的數(shù)據(jù)，只是它們的參數(shù)在進(jìn)行溝通。而且參數(shù)的溝通也是加密的，這就保證了隱私。
細(xì)節(jié)來說，現(xiàn)在有一種特別好的加密方法，在兩個(gè)加密包進(jìn)行聚合的時(shí)候，可以不看每一個(gè)加密包里面的數(shù)據(jù)，但我們就把它的包裝和他的內(nèi)核進(jìn)行調(diào)換，這樣a的加密加上b的加密，就等于a加b的加密。
打個(gè)比方，兩個(gè)包裝好的東西合起來，包裝就到外面來了，里面是兩個(gè)東西的和。這個(gè)技術(shù)叫做同態(tài)加密，在座的同學(xué)如果有興趣，網(wǎng)上現(xiàn)在有大量的資源。國(guó)內(nèi)也有很多專家是在同態(tài)加密方面特別有成就。同態(tài)加密在過去做不好的一個(gè)原因是計(jì)算量太大，現(xiàn)在已經(jīng)發(fā)現(xiàn)有很好的解決算法，再加上硬件各方面都有進(jìn)步，所以同態(tài)加密已經(jīng)不是問題了。
同態(tài)加密的效果激發(fā)了很多機(jī)器學(xué)習(xí)人的想象力。比如Sigmod曲線，它是非線性，可以用一個(gè)線性來近似，近似以后就可以去計(jì)算損失函數(shù)以及加密結(jié)果。同態(tài)加密分配律（distribution law）就使得它的總的加密變成每一項(xiàng)的加密之和。
谷歌首先看到了優(yōu)勢(shì)，就提出了一個(gè)叫Federated Averaging，是一個(gè)橫向聯(lián)邦學(xué)習(xí)的做法。
我們可以想象成一個(gè)聯(lián)邦平均，就是有n個(gè)模型，現(xiàn)在要求它們的平均值，但這個(gè)事要在服務(wù)器端做的時(shí)候，我們不希望服務(wù)器能夠看到每一項(xiàng)它所包含的內(nèi)容，所以假設(shè)手機(jī)每一天獲取了新的數(shù)據(jù)以后，我們要更新在手機(jī)上面的一些機(jī)器學(xué)習(xí)模型。比方說 next word prediction和人臉識(shí)別。我們就可以選擇一些手機(jī)，用這個(gè)辦法對(duì)它的新數(shù)據(jù)進(jìn)行聯(lián)邦求和，最后就在保護(hù)用戶隱私的前提下，能夠不斷更新手機(jī)上的數(shù)據(jù)。
這個(gè)已經(jīng)在Google、在安卓系統(tǒng)得到了應(yīng)用，現(xiàn)在有眾多的手機(jī)商，包括我們國(guó)內(nèi)的手機(jī)商都非常感興趣。其他的廠商比如物聯(lián)網(wǎng)、智能家居的這些公司，如果還沒有聽說聯(lián)邦學(xué)習(xí)的話，他們就會(huì)落伍了。
剛才講的是橫向聯(lián)邦，是按用戶來分割，按樣本來分割。那有沒有這種情況：樣本幾乎都一樣，在不同的數(shù)據(jù)擁有方，但特征不一樣。比如不同機(jī)構(gòu)、公司之間，面臨的用戶幾乎都是一樣的，但是他們的特征不一樣。
舉例來說，視頻網(wǎng)站有很多用戶的視頻喜好，賣書的網(wǎng)店幾乎也有同樣的用戶集，但它們的特征卻不一樣，這邊是有關(guān)書的，那邊是有關(guān)視頻的。又比如兩個(gè)銀行，一個(gè)銀行可能有很多貸款，另外一個(gè)銀行可能有很多理財(cái)，他們的用戶群可能也是有很大的重疊。
過去的做法是把數(shù)據(jù)買過來，然后在一個(gè)服務(wù)器上加以聚合，現(xiàn)在這個(gè)事兒行不通了。我們就思考聯(lián)邦學(xué)習(xí)能不能來做這個(gè)事兒。
這種聯(lián)邦是特征不同，但是樣本重疊，按照特征豎著來切，所以叫縱向聯(lián)邦。如圖所示，兩個(gè)機(jī)構(gòu)之間的溝通也是加密的模型參數(shù)，而不是數(shù)據(jù)本身。給到任意兩個(gè)數(shù)據(jù)A和B，不一定所有的是樣本都重疊。但是如果我們有辦法找到足夠多的重疊的那一部分，就可以在這一部分上進(jìn)行建模，用聯(lián)邦學(xué)習(xí)來建模。
下面就分成兩個(gè)問題：
在不泄露用戶本身數(shù)據(jù)隱私的情況下，不告訴用戶和特征值前提下，兩個(gè)數(shù)據(jù)擁有方能夠共同找到他們所共同擁有的樣本。
在找到這些樣本以后，利用這些樣本作為訓(xùn)練數(shù)據(jù)來共同建模。再之后就是如何使用。
如何建模：
縱向聯(lián)邦的大概思路是，這個(gè)模型是A方有一部分的模型，B方有另外一部分的模型。就像戰(zhàn)國(guó)時(shí)代的虎符，一個(gè)印被切成兩塊，只有當(dāng)這個(gè)印是能夠完全重疊的時(shí)候，才能證明這個(gè)將軍是得到了真正的國(guó)王的命令——左邊有模型A，右邊有模型B，這兩個(gè)合起來才能形成聯(lián)盟來進(jìn)行共同的推理。
再看細(xì)節(jié)：首先是有一個(gè)墻，這個(gè)墻表示數(shù)據(jù)不能通過墻來交換。左邊有機(jī)構(gòu)A，右邊有機(jī)構(gòu)B，這兩個(gè)機(jī)構(gòu)在溝通的時(shí)候要非常的小心，只能溝通一些加密后的模型參數(shù)。
這個(gè)算法用4個(gè)步驟在右邊這里展開，下面我就先一步一步的來給大家進(jìn)行講解。
第一步：如圖所示，假設(shè)左邊這個(gè)機(jī)構(gòu)有這么一個(gè)用戶或者樣本的一個(gè)集合X，右邊也有一個(gè)樣本的集合Y，在不暴露X和Y的前提下能夠找到他們的交集。
第二步：算各自的模型，記住機(jī)構(gòu)A要做一部分的模型，機(jī)構(gòu)B要做另外一部分的模型。首先在機(jī)構(gòu)A先做第一步，把初始參數(shù)和每一個(gè)樣本做一下點(diǎn)積，把這個(gè)點(diǎn)積的結(jié)果加密，然后把它通過加密算法送給B。
第三步：B得到了這個(gè)包，不知道里面有什么，但它可以通過同態(tài)加密去更新對(duì)樣本的計(jì)算結(jié)果，得到結(jié)果以后和真值去比對(duì)，就會(huì)得到一個(gè)損失值，它會(huì)把 loss再加密反饋給A。
往往在這個(gè)情況下，如果有一個(gè)組織者（Coordinator），它會(huì)使程序簡(jiǎn)化，所以 B也可以把這個(gè)結(jié)果直接給Coordinator。
第四步：Coordinator得到了這個(gè)結(jié)果以后，再加密這個(gè)結(jié)果，再加一些噪音，再分發(fā)給A和B，讓它們各自去更新自己的模型參數(shù)，這就使得每一個(gè)參與方都不知道對(duì)方的數(shù)據(jù)和特征，同時(shí)它可以更新自己的參數(shù)。這個(gè)流程多次后，A和B的模型就逐漸形成了。
如果有一個(gè)新用戶過來，就可以通過Party A和Party B各自的參與，通過一個(gè)類似的流程來完成——這就是在縱向聯(lián)邦的前提下，特征不重疊、樣本重疊，互相不知道對(duì)方樣本的前提下，也能夠建模。
總結(jié)：所謂橫向聯(lián)邦學(xué)習(xí)，按橫向來切割數(shù)據(jù)，更多的使用場(chǎng)景在于很多個(gè)終端和一個(gè)服務(wù)器的聯(lián)邦學(xué)習(xí)?？v向聯(lián)邦學(xué)習(xí)，按特征來切割數(shù)據(jù)。使用時(shí)，大家基本是在同一個(gè)位置或者Level，兩家公司之間的。
所以說左邊橫向聯(lián)邦比較適用于toC，右邊縱向聯(lián)邦對(duì)toB比較適用。
特別要說的是，在18年初的時(shí)候，我們?cè)谖⒈娿y行發(fā)現(xiàn)，用戶隱私的保護(hù)是讓眾多數(shù)據(jù)擁有方合作時(shí)的一個(gè)挑戰(zhàn)，如何在不同的銀行和機(jī)構(gòu)之間聯(lián)合建模，同時(shí)保護(hù)數(shù)據(jù)隱私？我們就發(fā)展出了toB的聯(lián)邦學(xué)習(xí)。
谷歌的相關(guān)研究團(tuán)隊(duì)在一直是在安卓系統(tǒng)團(tuán)隊(duì)下面，所以他們比較關(guān)心橫向聯(lián)邦學(xué)習(xí)。現(xiàn)在美國(guó)和歐洲是橫向比較多，在我們國(guó)內(nèi)是縱向比較多。聯(lián)邦學(xué)習(xí)現(xiàn)在是雙頭發(fā)展。
因?yàn)榈谌接锌赡苄孤队脩綦[私，是可以（去掉）的，只不過要多加一些步驟，整體步驟變得比較冗長(zhǎng)，但是可以做到，這里不再展開。
聯(lián)邦學(xué)習(xí)和區(qū)塊鏈其實(shí)不一樣，最重要的區(qū)別在于：聯(lián)邦學(xué)習(xí)是利用數(shù)據(jù)的價(jià)值，它的一個(gè)特點(diǎn)是數(shù)據(jù)不能夠被復(fù)制放到別的節(jié)點(diǎn)上。區(qū)塊鏈?zhǔn)且ＷC信息的透明和不能篡改性，所以要把數(shù)據(jù)復(fù)制到不同的節(jié)點(diǎn)上。雖然最終的目的都是在多方形成共識(shí)、形成聯(lián)合，但是他們確實(shí)有所不同。
從數(shù)學(xué)的角度，從計(jì)算機(jī)的角度來講，引入一個(gè)多方機(jī)制時(shí)，要問以下三個(gè)問題：
第一問，一致性?，F(xiàn)在有多方，那么我按照不同的次序來做事情，我得到的結(jié)果是不是一樣？我們希望是一樣的。對(duì)于數(shù)據(jù)庫(kù)來說，查詢結(jié)果一定要一樣。聯(lián)邦學(xué)習(xí)也是一樣的。
第二問，原子性。當(dāng)有一方掛了，大家是不是可以退到原來的狀態(tài)。
第三問，虎符性，就是安全性。這對(duì)聯(lián)邦學(xué)習(xí)是尤其重要的一個(gè)特性。但是區(qū)塊鏈和這種多方計(jì)算、安全計(jì)算，以及我們所說的模型計(jì)算和數(shù)據(jù)的這種合作卻無關(guān)。
剛才講到要么樣本有重疊，要么特征有重疊，但是如果兩者都沒有重疊，這個(gè)時(shí)候就要請(qǐng)出遷移學(xué)習(xí)。
遷移學(xué)習(xí)的思路是，假設(shè)兩個(gè)數(shù)據(jù)集的樣本和特征幾乎都沒有交集，我可以在他們的子空間里面找到有重疊的地方。怎么找？這就是通過同態(tài)加密和剛才所說的分布式交互機(jī)制。找到以后，就可以在子空間里面進(jìn)行橫向聯(lián)邦或者縱向聯(lián)邦了。
壞人是怎么混進(jìn)來的？比方說做OCR（手寫識(shí)別），我們讓計(jì)算機(jī)識(shí)別0。如果不做加密，我們沒有一個(gè)機(jī)制，這種所謂的對(duì)抗是可以做到的，壞人是可以通過參數(shù)或者一系列梯度的泄露可以反猜原始數(shù)據(jù)。
因此數(shù)學(xué)家們就琢磨各種辦法，來對(duì)壞人分類。
其中誠(chéng)實(shí)（Honest）就是好人；半誠(chéng)實(shí)（Honest-but-curious）就是好奇，但本身不壞。還有人是惡意的，想搞破壞，想得到用戶隱私，然后獲利。
對(duì)于不同的假設(shè)，可以設(shè)計(jì)不同的聯(lián)邦學(xué)習(xí)算法和多方計(jì)算算法，還可以做零知識(shí)（Zero knowledge）和一些知識(shí)（Some knowledge）分類。服務(wù)器端也可以區(qū)分是不是惡意中心、惡意的數(shù)據(jù)節(jié)點(diǎn)和非惡意的數(shù)據(jù)節(jié)點(diǎn)。
比方說有一個(gè)手機(jī)，專門想設(shè)計(jì)一些虛假的數(shù)據(jù)，以此來控制整個(gè)服務(wù)器端的平均模型。怎么防止這個(gè)現(xiàn)象發(fā)生？這些問題在之后的系列公開課中會(huì)涉及，這些工作現(xiàn)在都是在進(jìn)行當(dāng)中的，大家可以去網(wǎng)上搜。
安全策略方面，有兩個(gè)特別的例子，大家在網(wǎng)上都可以找到。一個(gè)叫做模型攻擊，它通過對(duì)模型的參數(shù)動(dòng)手腳來控制整個(gè)聯(lián)邦模型。還有一種是對(duì)數(shù)據(jù)攻擊，它參與到聯(lián)邦計(jì)算里面，使得它對(duì)聯(lián)邦模型的控制取得決定性的作用，這些都有文章和解決方案。
另外，怎么樣能夠持續(xù)鼓勵(lì)這些不同的數(shù)據(jù)擁有方，持續(xù)參與到聯(lián)邦建模里面來，使得每個(gè)人都不斷的獲得收益，同時(shí)使得集體的收益最大化？這是博弈論和經(jīng)濟(jì)學(xué)、模型應(yīng)該做的事情，也有很多工作在開展這方面的研究。
在推薦系統(tǒng)和聯(lián)邦學(xué)習(xí)的這種交集也可以產(chǎn)生，比方說兩個(gè)數(shù)據(jù)方，推薦電影和推薦圖書的，他們兩個(gè)在商業(yè)上可能沒有競(jìng)爭(zhēng)，所以它們決定合作，但是又不想把隱私泄露給對(duì)方，他們就可以用以下的辦法來做聯(lián)邦學(xué)習(xí)：
ABC不同的數(shù)據(jù)擁有方，可以通過矩陣分解的辦法，把每一方所擁有的用戶數(shù)據(jù)看成是一些子矩陣的乘積，用線性代數(shù)形成這樣一個(gè)子矩陣的乘積，這三個(gè)不同的用戶就分解成三個(gè)用戶的特征向量乘以一個(gè)圖書的特征向量的矩陣，這些向量的計(jì)算就是我們通過聯(lián)邦學(xué)習(xí)希望能夠計(jì)算出來的。具體到怎么計(jì)算，這里有一個(gè)算法，看上去比較新穎和復(fù)雜，可能會(huì)把大家搞暈。
簡(jiǎn)單說一下大概做法：
每一個(gè)數(shù)據(jù)擁有方，首先對(duì)自己的數(shù)據(jù)進(jìn)行矩陣分解，然后再把里面的一部分參數(shù)，比如剛才所說的圖書的本征向量進(jìn)行加密，運(yùn)到服務(wù)器端，就可以把這些不同的向量，通過橫向聯(lián)邦學(xué)習(xí)進(jìn)行同態(tài)平均起來，然后再把平均的更新值再分發(fā)給不同的用戶端。通過這樣的一個(gè)做法，就可以做到在 Federated Averageing的框架下，做到矩陣的更新。
現(xiàn)在我們也可以推廣到縱向推薦系統(tǒng)，就是他們的用戶有很大重疊，但特征卻沒有重疊。微眾銀行現(xiàn)在推出了第一個(gè)用聯(lián)邦學(xué)習(xí)、聯(lián)邦推薦做的廣告系統(tǒng)，所以叫做聯(lián)邦廣告。這個(gè)廣告系統(tǒng)可以不知道用戶的隱私，也可以不確切知道媒體的隱私。
因?yàn)槲覀兿Ｍ玫降氖谴髷?shù)據(jù)，也就是說數(shù)據(jù)來自不同的角度，比方說對(duì)用戶貸款進(jìn)行風(fēng)險(xiǎn)管理，需要財(cái)務(wù)、輿情、司法、稅務(wù)、行政等等很多這樣的數(shù)據(jù)，他們都是在不同的數(shù)據(jù)擁有方里面，我們希望是把它們形成一個(gè)聯(lián)邦的聯(lián)盟來共同建模。比如一個(gè)合作企業(yè)和一個(gè)銀行，這是縱向聯(lián)邦，因?yàn)橛脩粲凶銐虼蟮闹丿B，但是他們的特征卻不一樣，用剛才所說的那些算法做出來的效果，就提升了不少，在這里對(duì)應(yīng)的就是貸款不良率的大幅下降。
我們現(xiàn)在跟一個(gè)瑞士的再保險(xiǎn)公司就有深度的合作，所謂再保險(xiǎn)就是對(duì)保險(xiǎn)公司的保險(xiǎn)，你可以想象在再保險(xiǎn)公司下面有一大堆保險(xiǎn)公司，這些保險(xiǎn)公司既是競(jìng)爭(zhēng)又是合作的關(guān)系，它們之間的合作就需要用到聯(lián)邦學(xué)習(xí)。
可以通過縱向聯(lián)邦，也可以通過橫向聯(lián)邦，還可以通過縱向和橫向聯(lián)邦的某種結(jié)合，變成小范圍的橫向聯(lián)邦、大范圍的縱向聯(lián)邦。有各種各樣非常有趣的結(jié)構(gòu)，也取得了非常好的效果。
假設(shè)不同的計(jì)算機(jī)圖像來自不同的公司，他們之間是有這種意愿去合作的?？梢韵胂笠粋€(gè)橫向聯(lián)邦學(xué)習(xí)系統(tǒng)，因?yàn)樗麄兊膱D像樣本不一樣，但特征幾乎都是相同，都是像素，所以可以用在智慧制造、安防、城市這些領(lǐng)域，現(xiàn)在也正在應(yīng)用當(dāng)中。
以我們跟極視角的合作為例，他的一個(gè)業(yè)務(wù)是幫助建筑公司去監(jiān)控建筑工地的安全，這里有很多建筑公司本身的隱私，不想向其他的建筑公司去透露，但是他們每一家的數(shù)據(jù)又是有限的，通過聯(lián)邦學(xué)習(xí)能夠把總的模型建立起來分發(fā)給他們，能夠滿足他們安全施工的要求。
語(yǔ)音系統(tǒng)可能是來自不同的錄音，比方說有的是服務(wù)中心的錄音，有的是手機(jī)上的錄音，有的是別的公司的錄音，那么每一家的錄音可能都是不同的這個(gè)角度來觀察這些用戶。有沒有辦法把這些錄音給聚集起來，在不移動(dòng)那些數(shù)據(jù)的前提下，建立一個(gè)總的模型，利用不同錄音、語(yǔ)言、數(shù)據(jù)集的錄音來訓(xùn)練我們的聯(lián)邦模型？
實(shí)驗(yàn)室環(huán)境里的無人車，得到的數(shù)據(jù)是有限的，但是假設(shè)滿大街的無人車，每一輛每時(shí)每刻都在獲取新的數(shù)據(jù)。有沒有辦法不暴露每個(gè)無人車上具體的數(shù)據(jù)，同時(shí)把它聚集起來，能夠形成一個(gè)聯(lián)邦模型？具體做法是聯(lián)邦學(xué)習(xí)加上強(qiáng)化學(xué)習(xí)，就是強(qiáng)化聯(lián)邦學(xué)習(xí)。
里面有很多倉(cāng)庫(kù)的管理和監(jiān)控，就用到剛才所說的計(jì)算機(jī)視覺和聯(lián)邦學(xué)習(xí)的這種溝通。上下游的關(guān)系，庫(kù)存的預(yù)測(cè)，是供應(yīng)鏈里面的難題，也可以通過這種聯(lián)邦學(xué)習(xí)來更好地解決。
暢想一下，未來有了聯(lián)邦學(xué)習(xí)這樣的技術(shù)，有了像GDPR還有用戶隱私這樣的監(jiān)管要求，五年十年以后，我們的社會(huì)會(huì)發(fā)展成為一種什么樣的形式？我也相信我們會(huì)到這樣的一個(gè)社會(huì)節(jié)點(diǎn)上，有很多的聯(lián)盟會(huì)形成，這就是生態(tài)。
有很多不同的公司自愿的組織起來，通過聯(lián)邦學(xué)習(xí)，在沒有顧慮的前提下能夠自由合作，聯(lián)邦學(xué)習(xí)的激勵(lì)機(jī)制可以公平地讓這種生態(tài)不斷存活下去，越來越大，像雪球一樣地?cái)U(kuò)大。它可以防止數(shù)據(jù)壟斷，讓擁有小數(shù)據(jù)的公司也可以活下去——我們所說的人工智能的社會(huì)性，這是真正能做到Ethical AI的一項(xiàng)技術(shù)。
Federated Learning這個(gè)詞出現(xiàn)以后，我們就一直在想把這個(gè)詞翻譯成中文。我們考慮到，每一個(gè)數(shù)據(jù)擁有方就像一個(gè)“邦”，他們之間的關(guān)系，就像一個(gè)邦交。他們可能還有一個(gè)Coordinator，或者是他們共同有這么一個(gè)模型，大家在共同使用，這就像是大家所共有的一個(gè)服務(wù)方，就是一個(gè)“聯(lián)邦”。
同時(shí)我們也領(lǐng)頭建立了第一個(gè)IEEE標(biāo)準(zhǔn)，這個(gè)標(biāo)準(zhǔn)的制定現(xiàn)在還沒完全結(jié)束，現(xiàn)在已經(jīng)進(jìn)入了最后關(guān)頭。有眾多的著名公司都參與到了這個(gè)標(biāo)準(zhǔn)里。當(dāng)這個(gè)標(biāo)準(zhǔn)出現(xiàn)了以后，就會(huì)是世界上第一個(gè)國(guó)際的聯(lián)邦學(xué)習(xí)標(biāo)準(zhǔn)，大家以后通過聯(lián)邦學(xué)習(xí)合作的時(shí)候，就可以根據(jù)這個(gè)標(biāo)準(zhǔn)來進(jìn)行，有一個(gè)共同的語(yǔ)言來交互。同時(shí)我們也在積極推動(dòng)國(guó)內(nèi)的各種標(biāo)準(zhǔn)，包括團(tuán)體標(biāo)準(zhǔn)和國(guó)家標(biāo)準(zhǔn)。
假設(shè)我們做了一個(gè)聯(lián)邦學(xué)習(xí)平臺(tái)，用戶會(huì)對(duì)平臺(tái)的安全性有所疑慮，會(huì)擔(dān)心存在后門。最好的辦法是公開、開源，大家可以看到每一行代碼，可以放心去用。我們從一開始就認(rèn)為聯(lián)邦學(xué)習(xí)的技術(shù)推動(dòng)，離不開開源。所以我們開源了世界上第一個(gè)關(guān)于聯(lián)邦學(xué)習(xí)的開源項(xiàng)目，被Linux foundation列為金牌項(xiàng)目，就是FATE系統(tǒng)。
這是一個(gè)工業(yè)級(jí)別的聯(lián)邦學(xué)習(xí)，已經(jīng)支持我剛才所說的橫向聯(lián)邦、縱向聯(lián)邦、聯(lián)邦遷移學(xué)習(xí)、聯(lián)邦強(qiáng)化學(xué)習(xí)和聯(lián)盟推薦?，F(xiàn)在有新的版本支持異構(gòu)計(jì)算，支持各種各樣的聯(lián)邦學(xué)習(xí)，并且我們跟VMWare深度合作、深度綁定，推出了一個(gè)系統(tǒng)，叫做KubeFATE的系統(tǒng)，幫助用戶更好地在Cloud上面進(jìn)行應(yīng)用。
聯(lián)邦學(xué)習(xí)還有什么值得研究？這里面還有太多事可以做了，比方說如何能夠做到安全合規(guī)、防御攻擊、提升算法效率、提升系統(tǒng)架構(gòu)，如何做更多的技術(shù)應(yīng)用，做很好的聯(lián)盟機(jī)制、激勵(lì)機(jī)制去鼓勵(lì)大家。所以在各個(gè)方面我們只是開了個(gè)頭，后面還有大量的工作是需要做的。
問：聯(lián)邦學(xué)習(xí)和分布式機(jī)器學(xué)習(xí)最能區(qū)分的點(diǎn)是什么？
楊強(qiáng)：首先是數(shù)據(jù)分布特點(diǎn)。分布式機(jī)器學(xué)習(xí)中數(shù)據(jù)一般被均勻（iid）的分布至各參與計(jì)算節(jié)點(diǎn)，目標(biāo)是通過并行計(jì)算提升效率。聯(lián)邦學(xué)習(xí)中數(shù)據(jù)天然的存在于不同領(lǐng)域、機(jī)構(gòu)的數(shù)據(jù)孤島中，數(shù)據(jù)分布差異大，不均勻（Non-iid）。另外分布式學(xué)習(xí)更關(guān)注效率，往往在數(shù)據(jù)中心進(jìn)行，數(shù)據(jù)擁有方是同一個(gè)體。聯(lián)邦學(xué)習(xí)更關(guān)注安全，數(shù)據(jù)擁有方是多個(gè)個(gè)體。
問：現(xiàn)在有公司在做區(qū)塊鏈跟MPC（例如聯(lián)邦學(xué)習(xí)，同態(tài)加密）的結(jié)合，您怎么看？
楊強(qiáng)：區(qū)塊鏈與聯(lián)邦學(xué)習(xí)可以很好的結(jié)合互補(bǔ)。聯(lián)邦學(xué)習(xí)可以用區(qū)塊鏈的分布式記賬等功能實(shí)現(xiàn)參與各方價(jià)值互換和有效激勵(lì)，也可以用區(qū)塊鏈去中心化的屬性來實(shí)現(xiàn)參與聯(lián)邦學(xué)習(xí)計(jì)算的中心節(jié)點(diǎn)的替代。區(qū)塊鏈與聯(lián)邦學(xué)習(xí)不同， 區(qū)塊鏈把數(shù)據(jù)重復(fù)復(fù)制在各個(gè)節(jié)點(diǎn)實(shí)現(xiàn)共識(shí)機(jī)制，所有上鏈數(shù)據(jù)是公開的，而參與聯(lián)邦學(xué)習(xí)的各方數(shù)據(jù)不同且是私密的。
問：聯(lián)邦學(xué)習(xí)訓(xùn)練后的模型是一個(gè)公共的模型，而各個(gè)客戶端的數(shù)據(jù)經(jīng)常是Non-iid的，不知老師對(duì)此有何見解？
楊強(qiáng)：（橫向）聯(lián)邦學(xué)習(xí)的效果提升主要來源于各方樣本量的聚合，訓(xùn)練的目標(biāo)是得到一個(gè)在所有參與方數(shù)據(jù)上都適用的有泛化能力的模型。各方數(shù)據(jù)分布Non-idd的情況可以通過聯(lián)邦學(xué)習(xí)加元學(xué)習(xí)、多任務(wù)學(xué)習(xí)來解決。
問：請(qǐng)問如何保證各個(gè)部分?jǐn)?shù)據(jù)的質(zhì)量？比如說醫(yī)療影像數(shù)據(jù)標(biāo)注的質(zhì)量參差不齊。
楊強(qiáng)：在實(shí)際生產(chǎn)上，可以通過在各方節(jié)點(diǎn)上部署檢驗(yàn)機(jī)制的方法來為參與訓(xùn)練的樣本的數(shù)據(jù)質(zhì)量進(jìn)行閾值淘汰，也可以通過結(jié)合一些機(jī)器學(xué)習(xí)技術(shù)，比如GAN，來模擬生成訓(xùn)練樣本進(jìn)行檢驗(yàn)。另外訓(xùn)練時(shí)多采用cross-validation等數(shù)據(jù)驗(yàn)證方法也可以有效控制數(shù)據(jù)質(zhì)量問題。
問：聯(lián)邦學(xué)習(xí)中，不同數(shù)據(jù)孤島在聯(lián)邦學(xué)習(xí)過程中是否有隱含權(quán)重（即算法模型中本身沒有設(shè)計(jì)權(quán)重，但實(shí)際學(xué)習(xí)中形成了不同權(quán)重），如何解決？
楊強(qiáng)：聯(lián)邦學(xué)習(xí)算法本身按數(shù)據(jù)量的大小來分配權(quán)重，假設(shè)數(shù)據(jù)是分布均勻的。實(shí)際上，也可以通過分析數(shù)據(jù)源與目標(biāo)數(shù)據(jù)源的相似性等方法來設(shè)計(jì)權(quán)重。
問：FATE框架和Tensorflow Federated Framework框架各有什么優(yōu)缺點(diǎn)？
楊強(qiáng)：FATE框架是第一個(gè)工業(yè)級(jí)FL框架，從業(yè)界應(yīng)用出發(fā)，支持橫向、縱向和遷移聯(lián)邦學(xué)習(xí)等學(xué)習(xí)框架和各種安全計(jì)算組件。TensorflowTF目前只支持橫向聯(lián)邦，多適用于學(xué)術(shù)研究，相對(duì)簡(jiǎn)潔，容易上手。
問：聯(lián)邦學(xué)習(xí)對(duì)RPA部署及數(shù)據(jù)中臺(tái)部署的影響？
楊強(qiáng)：聯(lián)邦學(xué)習(xí)可以作為RPA中采用AI技術(shù)的一個(gè)組件。RPA多面臨非標(biāo)性、數(shù)據(jù)分隔等挑戰(zhàn)，RPA部署系統(tǒng)可以通過聯(lián)邦學(xué)習(xí)的方式提高產(chǎn)品效果。
問：請(qǐng)問聯(lián)邦學(xué)習(xí)如何應(yīng)用到教育大數(shù)據(jù)領(lǐng)域？
楊強(qiáng)：聯(lián)邦學(xué)習(xí)可以幫助實(shí)現(xiàn)定制化教育。教育機(jī)構(gòu)可以基于存儲(chǔ)在學(xué)生個(gè)人移動(dòng)設(shè)備（如智能手機(jī)和筆記本電腦）中的數(shù)據(jù)，協(xié)作地構(gòu)建一個(gè)通用學(xué)習(xí)計(jì)劃模型。在此模型基礎(chǔ)上，還可根據(jù)每一個(gè)學(xué)生的特長(zhǎng)、需求、技能和興趣，構(gòu)建定制化、個(gè)性化的學(xué)習(xí)指導(dǎo)模型。
雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
專題
本專題其他文章
