联邦学习

为了充分挖掘时空数据拥有的巨大价值，实现城市的整体智能化，需要各领域和各部门共享数据，融合时空数据的多重特征、多视角关联知识，提供不断完善、全面的信息服务。然而要实现城市数据的全面互通、共享，虽然理论上简单，但实际操作困难重重。一方面，每个部门的工作方式、数据需求和数据保密等级不同，彻底打通既缺乏操作性，也不利于真实工作的开展。另一方面，人们越来越重视数据隐私和安全，各国也在通过法律手段加强对数据隐私和数据安全的保护。我国在2017年实施的《中华人民共和国网络安全法》，欧盟在2018年实施的《通用数据保护条例（general data protection regulation，GDPR）》，都旨在保护用户的个人隐私和数据安全。针对上述数据孤岛和数据隐私问题，联邦学习（federated learning FL）应运而生。与传统的集中式机器学习不同，联邦学习通过将训练任务下放到用户端，通过加密机制将训练得到的模型参数结果发送给服务端，从而使数据保持在用户本地，通过“数据不动模型动”的方式保证了用户数据的隐私。