科创中国

行业领域

新一代信息技术产业,信息传输、软件和信息技术服务业

需求背景

联邦学习是一种具有数据保护功能的分布式机器学习框架，能够帮助多个用户在满足其隐私保护、数据安全和以及政策法规的情况下，同时实现对无法共享的数据进行学习和建模。他的目标不是共享数据，而是分布式的学习一个机器学习模型，这对打破数据孤岛具有更好的作用。联邦学习最早由谷歌在2016年提出，当时这个模型主要针对手机终端，微众银行的人工智能团队，提出了“联邦迁移学习”的解决方案，将迁移学习和联邦学习结合起来，实现金融数据的具有隐私保护下的分布式学习。该领域的著名学者杨强教授也曾在“联邦学习研讨会”上介绍,迁移学习的数据迁移机制可以让联邦学习具有更好的通用性,迁移学习的特点是适用于不同类型的数据结构、不同的用户机构。可以在这种情况下，建立机器学习模型，同时，这些模型的功能能够在不需要对其他数据进行过多需求的情况下，有效的发挥作用。这种基于迁移学习的联邦学习打破了领域和算法的限制，特别是对用户隐私以及数据安全方面具有较高的优势。

需解决的主要技术难题

共识机制容错性能问题仍是制约区块链技术发展的重要因素，如何解决区块链系统的整体性能和效率是一个难点。目前虽然已经实现了一些关于状态分片、网络分片以及事务分片的区块链系统方案，但在实际应用中表现不佳，如何在确保区块链系统的优性能和高效率的前提下，使得系统方案逐步地实用化也是具有重要意义的。公平性的概念是针对共识机制设计乃至区块链系统开发所要考量的至关重要因素。设计合理、公平的激励机制，使得区块链中参与各方收益分配达到最优，系统效益达到最大化，同时从理性参与的角度更能为系统的稳健性提供更好的支撑。但目前的针对共识机制方案公平性的研究相关文献还比较少，需要进一步研究。

期望实现的主要技术目标

在建立相适应区块链共识机制方案的激励机制的过程中，建立恰当的博弈模型准确的刻画机制的运行并进行分析也是一个需要解决的关键科学问题

处理进度