有了這樣一種聯(lián)盟，那可以應(yīng)用到什么領(lǐng)域呢？將聯(lián)邦學(xué)習(xí)應(yīng)該到推薦系統(tǒng)是目前做的比較多的。我們每個(gè)人的手機(jī)上都有很多短視頻推薦系統(tǒng)以及新聞推薦系統(tǒng)，個(gè)性化的推薦使得千人千面，我們每天或多或少都會(huì)使用，而我們每個(gè)人的點(diǎn)擊數(shù)據(jù)都是記錄在手機(jī)上的，這個(gè)數(shù)據(jù)是非常隱私的。傳統(tǒng)的做法是把數(shù)據(jù)移到云端，在云端進(jìn)行模型化，再把模型遷移到本地來(lái)。

而有了聯(lián)邦學(xué)習(xí)，可以讓數(shù)據(jù)不出本地，同時(shí)可以讓模型個(gè)性化。本地的推薦系統(tǒng)可以作為一個(gè)單獨(dú)的任務(wù)，而任務(wù)相當(dāng)于對(duì)本地的一種任務(wù)分解。這種分解分為兩部分知識(shí)，一種是大家共有的知識(shí)，另一種是自己特有的本地的特征向量。如果把大家共有的向量一起做一個(gè)模型，這模型就非常的強(qiáng)大，同時(shí)可以既更新模型，又能夠起到在本地進(jìn)行個(gè)性化服務(wù)的效果，數(shù)據(jù)也不出本地。這種聯(lián)邦的推薦架構(gòu)就把數(shù)據(jù)給隔開(kāi)了。

在金融領(lǐng)域，銀行著重于風(fēng)險(xiǎn)控制，但是缺乏系統(tǒng)性的風(fēng)險(xiǎn)控制技術(shù)，這取決于大數(shù)據(jù)的存在。大家比較誰(shuí)的風(fēng)險(xiǎn)控制更好，比誰(shuí)的數(shù)據(jù)樣本多，誰(shuí)的數(shù)據(jù)種類多。而利用聯(lián)邦學(xué)習(xí)，可以把銀行、金融持牌公司、第三方公司的數(shù)據(jù)聚合在一起，獲得更多特征，取得更好的模型效果。

特別要講的是醫(yī)學(xué)，雖然醫(yī)學(xué)是機(jī)器學(xué)習(xí)很好的應(yīng)用領(lǐng)域，但是我們發(fā)現(xiàn)醫(yī)學(xué)里的數(shù)據(jù)非常珍貴，非常少的，其中一個(gè)原因是用戶數(shù)據(jù)都是具有高度用戶隱私的，因此醫(yī)院和研究機(jī)構(gòu)不愿意共享這些數(shù)據(jù)，所以每一個(gè)地方數(shù)據(jù)很少以至于不足以建模。那如果在醫(yī)院之間進(jìn)行橫向聯(lián)邦縱向聯(lián)邦，無(wú)形中把數(shù)據(jù)總量和特征也增大了。

最近和騰訊實(shí)驗(yàn)室合作，在不同地區(qū)的本地醫(yī)院用聯(lián)邦學(xué)習(xí)把腦卒中發(fā)病的病人特征做一個(gè)預(yù)測(cè)模型，根據(jù)病人的表現(xiàn)預(yù)測(cè)他得該病的概率有多高，最終準(zhǔn)確率提高了 80％ 以上，尤其在數(shù)據(jù)很少的小型醫(yī)院，準(zhǔn)確率甚至能提升 20％ 以上。

我們還建立了國(guó)際產(chǎn)業(yè)聯(lián)盟，有很多不同行業(yè)的公司和機(jī)構(gòu)參與，我們希望能進(jìn)行人才培養(yǎng)，并且對(duì)政府進(jìn)行政策的建議，以及評(píng)估咨詢等。最后，再總結(jié)一下，聯(lián)邦學(xué)習(xí)是眾多人工智能和社會(huì)相結(jié)合的一個(gè)，也不是唯一的一個(gè)，我希望以后的人工智能不僅僅關(guān)心算法，而且要關(guān)心 AI 向善的問(wèn)題，也就是 AI 要用在人類社會(huì)，那么用戶的隱私和數(shù)據(jù)的安全也要被考慮進(jìn)來(lái)。不僅要建立算法，還得建立算法的合作機(jī)制和生態(tài)。

學(xué)術(shù)頭條原創(chuàng)文章。