聯邦學習，打破模型訓練數據安全限制難題

1、聯邦學習 背景及技術回顧（圖文穿插）

傳統機器學習通常需要把訓練數據集集中在數據中心，從而帶來安全、隱私等問題，聯邦學習應運而生。聯邦學習具有如下優勢：

1）數據不出本地：數據保留在各方本地，不泄露隱私也不違反法規

2）模型效果相同：聯邦學習模型效果和將全部數據統一存放管理的建模效果相同或相差不大

遷移學習

3）聯合建模，利益共享：多個參與方聯合各自數據建立虛擬的共有模型，并且共同獲益體系

4）個性化模型：根據用戶特性，提供匹配的算法、模型和推理結果

5）在用戶或特征不對齊的情況下，數據間通過交換加密參數達到知識遷移的效果

2、NAIE平臺聯邦學習架構及關鍵特性

NAIE聯邦學習作為運營商各層AI架構的基礎在線訓練能力：

1）遵從ADN網絡自動駕駛的架構，作為AI組件靈活嵌入各層網管及OSS；

2）以網絡AI框架為主，聯邦學習功能作為可選功能組件，微服務形式集成，一次集成網絡AI框架，即可選擇聯邦學習功能；

3）針對通信行業的聯邦學習框架，重點解決通信領域數據不出本地，模型泛化能力，模型訓練效率等問題；

提供NAIE聯邦學習關鍵技術點

（1）模型匯聚算；

（2）參數傳輸加密；

（3）模型壓縮傳；

（4）輕量化訓練環境；

（5）樣本隱私保護；

（6）模型個性化適配

3、聯邦學習在家庭接入終端的應用

通過NAIE@NCE+ONT的云+端 聯邦學習架構，支持ONT 應用識別的在線學習能力，探索AI算法異地泛化機制，支撐如下特性：

1）提升上網后模型準確率的本質是提供AI在線訓練能力。

2）應用識別涉及家庭用戶個人數據，可選擇ONT本地學習的AI在線訓練。

3) ONT海量模型共享可加快學習效率, 可通過NCE或云上管理ONT協同訓練

應用效果：

1）超大規模(W節點)聯邦學習能力：在品質家寬場景下探索萬級FLC管理，百級FLC本地訓練調度的AI協同學習與推理。

2）應用識別在線學習，已識別業務上網，特征漂移后，準確率劣化<3%(無新業務)，<8%(新業務干擾)

NAIE聯邦學習突破了電競ONT規模商用技術瓶頸，加速項目復制，創造電競ONT在AI學習的絕對領先競爭力 。對客戶來說，NAIE聯邦學習可以幫助提升TTM，快速展開電競套餐銷售。

數據庫安全服務 DBSS 機器學習

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。