观点回顾 | FATE开源项目助力隐私计算联邦学习落地与应用

数字经济时代，数据成为关键生产要素，经济价值与战略价值凸显。但是数据只有安全共享，才能发挥数据要素的价值。根据Gartner预测，到2025年60%的大型组织将在分析、商业智能或云计算中使用一种或多种隐私计算技术。有分析认为，隐私计算技术发展和规模化应用的关键是构建生态，开源项目天然具备技术开放性和迭代能力，有助于生态各方互联互通与高效协作。

4月27日，由PCview隐私计算研究院主办的「数据隐领未来·隐私计算应用与发展论坛」在线上举行，FATE开源社区开发专委会成员范涛受邀出席，并作了《FATE助力隐私计算落地与应用》的主题演讲，详细介绍全球首个工业级联邦学习开源框架FATE的技术方案及前沿进展。

演讲中，范涛回顾了隐私计算技术发展的历程，其中重点介绍了FATE开源后的版本迭代进程。自2019年初开源至今，FATE已迭代30余个版本，联邦算法组件已发展至30余个，实现工业界主流场景算法全覆盖和工业界主流多方安全计算协议全覆盖，性能方面也得到显著提升。同时还积极参与制定国内外多项标准，助力加快隐私计算联邦学习的标准化进程。FATE v1.8版本于近日正式发布，增强了生产可用性，在性能、功能算法、模型管理等方面均有丰富完善。

场景应用实践方面，FATE开源框架已经广泛应用于金融、政务、医疗、营销等多个领域，产生了丰富的实践案例。范涛重点分享了新闻平台的联邦推荐应用、企业跨主体的大数据协作、通信企业异构平台互联互通三个场景应用的代表性案例。

分享的最后，范涛也提出了几点关于未来展望的思考，或将会在可信联邦学习、生态融合、云原生、轻量化、互联互通、异构计算等方面展开探索与技术迭代。2022年，实现联邦学习到可信联邦学习的跨越，将是其中的研究重点。

｜关于可信联邦学习

针对近两年来隐私计算和联邦学习发展和应用中面临的安全、效率等挑战，FATE开源社区技术指导委员会主席、加拿大工程院及加拿大皇家科学院两院院士杨强教授及团队对联邦学习的理论进行了持续丰富和拓展，形成了“可信联邦学习”。据杨强教授介绍，可信联邦学习是安全可信的联邦学习，是能够满足用户和监管等各方面需求的分布式机器学习范式。

在此范式中，隐私保护、模型性能、算法效率是核心的三角基石，并且与模型的决策可解释性和模型的可监管性两大支柱，共同构成了更加安全可信的联邦学习。数据安全可证明、模型性能可使用、机器学习效率可控、决策可解释、模型可监管和普惠是可信联邦学习的核心特征。

获取完整分享内容，可点击下方视频观看。

END

扫码关注FATE开源社区

点击 阅读原文 查看分享视频，欢迎点赞分享~