数据安全

在传统的机器学习流程中，数据收集是第一步，也是通常最昂贵的一步。为了训练模型，您必须收集原始的用户数据（如照片、短信、健康记录或财务交易），并将它们上传到中央云服务器。 尽管这种集中式方法推动了 AI 革命，但它面临着重大挑战： 隐私顾虑： 用户越来越不愿意将私人数据上传到第三方服务器。 数据监管： GDPR 和 HIPAA 等法规严格限制了个人数据的传输和存储方式。 带宽成本： 从数百万个边缘设备（如智能手机）上传千兆字节的原始数据是非常低效的。 **联邦学习（Federated Learning - FL）**通过颠覆传统模式解决了这些问题。它不是将数据带给模型，而是将模型带给数据。 核心概念：去中心化训练 在联邦学习中，中央服务器维护一个全局模型。服务器不是收集原始数据来训练该模型，而是在边缘设备（客户端）网络（例如智能手机、智能家居设备或区域医院数据库）中协调协作训练过程。 这是联邦学习的基本规则： 原始数据绝不离开本地设备。只共享数学模型更新。 步骤详解：它是如何工作的 一个典型的联邦学习训练周期（称为通信轮次）由五个主要步骤组成： sequenceDiagram participant Server as 中央服务器 (全局模型) participant ClientA as 客户端 A (私人数据 A) participant ClientB as 客户端 B (私人数据 B) rect rgb(240, 248, 255) Note over Server: 步骤 1: 初始化全局模型 end Server->>ClientA: 步骤 2: 发送全局权重 (W_t) Server->>ClientB: 步骤 2: 发送全局权重 (W_t) rect rgb(245, 245, 245) Note over ClientA: 步骤 3: 在本地私有数据上进行训练 Note over ClientB: 步骤 3: 在本地私有数据上进行训练 end ClientA->>Server: 步骤 4: 发送本地更新 (W_t^A) ClientB->>Server: 步骤 4: 发送本地更新 (W_t^B) rect rgb(240, 255, 240) Note over Server: 步骤 5: 更新求均值 (FedAvg)<br/>更新全局模型 (W_t+1) end 1. 初始化 中央服务器使用初始权重（$W_0$）初始化全局模型。这些权重可以是随机的，也可以是在公共数据集上预先训练的。