国双技术全景

TECHNOLOGY PANORAMA

概念解析

联邦学习是隐私计算的应用流派之一。隐私计算指在保护数据本身不对外泄露的前提下实现数据分析计算的一类信息技术,其主要分为可信硬件、 多方安全计算、联邦学习三个主要流派。  

 

联邦学习是一种新兴的人工智能基础技术,在2016年由谷歌最先提出,原本用于解决安卓手机终端用户在本地更新模型的问题,其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下,在多参与方或多计算结点之间开展高效率的机器学习。其中,联邦学习可使用的机器学习算法不局限于神经网络,还包括随机森林等重要算法。针对不同数据集,联邦学习分为横向联邦学习(horizontal federated learning)、纵向联邦学习(vertical federated learning)与联邦迁移学习(Federated Transfer Learning,FTL)。


国双优势

基于联邦学习,国双产品具备以下优势:


1)数据隔离,数据不会泄露到外部,满足客户的隐私保护和数据安全的需求;

2)在数据隔离情况下能够保证模型质量无损,不会出现负迁移,保证联邦模型比割裂的独立模型效果好;

3)参与者地位对等,能够实现公平合作;

4)能够保证参与各方在保持独立性的情况下,进行信息与模型参数的加密交换,并同时获得成长。   


演进路线

  • 2019年

    联邦学习应用于Gridsum Prophet服务引擎系统即国双先知

  • 2018年

    联邦学习首先应用于支撑国双用户行为监测与分析系统WD。至今,WD已经服务了来自快消、酒店、汽车、母婴等行业的500多家企业。

行业认证



2019年,Gridsum Prophet服务引擎系统即国双先知通过中国信通院大数据产品能力评测。




TOP
如您需要我们的帮助,请留言给我们:
*姓名:
*电话:
*公司:
*邮箱:
*内容:
*验证码: