随同着智能化时代的迈进，AI 无处不在，万事皆可智能化，很多企业走到了时代的风口，也一直有着更多的企业想跻身队伍，跨上 AI 大时代的战车。大家都深知人工智能的三大基石是：算法、算力与数据。传统企业有着丰盛的数据根底，却不足技术能力；新型企业的技术能力紧跟时代步调却苦于数据瘠薄。算力能够花钱买到，算法能够通过造就招聘技术人才来补齐，然而数据匮乏却使人在人工智能赛道上举步维艰。
在国内外监管环境日渐欠缺的明天，大家都在增强数据保护意识，很多有微小价值的数据即便在公司外部都无奈流通，从而造成数据孤岛。我国在往年 9 月推广的《中华人民共和国数据安全法》、将在 11 月 1 日起实施《中华人民共和国个人信息保护法》，都进一步要求数据在平安合规的前提下进行流动，这也让联邦学习再次掀起一波浪潮。
百度点石提供数据安全交融与应用服务、大数据核心技术能力，基于联邦学习、多方平安计算、可信执行环境等支流隐衷计算技术，平安高效实现数据赋能，助力客户晋升数据价值。
其中，基于百度飞桨开发的开源联邦学习框架 PaddleFL，让企业之间的单干可能在数据层面平安发展。开发人员很容易在大规模分布式集群中部署 PaddleFL 联邦学习零碎。PaddleFL 提供多种联邦学习策略（横向联邦学习、纵向联邦学习）及其在计算机视觉、自然语言解决、举荐算法等畛域的利用。
最近，PaddleFL 新版本 PaddleFL v1.1.2 版本正式公布，在后期三方平安计算协定之上，新增了面向两方场景的平安计算协定以及平安联邦学习实现。新增个性形容如下：
1. 两方平安计算协定 PrivC 实现
PrivC 协定实现总体参考了 ABY 协定，反对两方 peer-to-peer 计算模型以及外包计算模型，提供了半诚恳模型下的计算安全性。在 ABY 协定混合电路计算的思维上，PrivC 进行了一系列实现优化，如以 tensor 为单位聚合通信晋升吞吐量，应用 FreeXOR、HalfGate 等办法升高加密电路运算开销，应用全同态加密计算乘法三元组等，并对非线性机器学习算子进行了近似实现，无效地晋升了两方平安学习的性能。
2. 基于 PrivC 的两方平安联邦学习
PaddleFL 在 PrivC 协定的根底上，为只有两个参与方状况下的联邦学习场景提供了针对性的解决方案。PaddleFL 目前提供了纯两方的矩阵乘法、fc、relu、sigmoid、softmax 等机器学习罕用算子及其梯度计算实现，反对两方场景下的线性回归、对率回归、多层感知机等模型的训练与预测，具备低劣的性能。
图 1 PaddleFL with PrivC 运行示意图
PaddleFL 在两方条件下的训练性能如下：
2.1 场景一 线性回归：
数据集与训练参数：
UCI 波士顿房价，epoch = 20，batch_size = 10，lr = 0.1；
数据量：506 行，80% 用于训练，20% 用于测试
2.2 场景二 逻辑回归：
数据集与训练参数：
MNIST 数据集（label 批改为二分类，“1”为 1，其余为 0），epoch = 1，batch_size = 128，lr = 0.01；
数据量：50 000 条训练样本，10 000 条测试样本
3. 在线数据切片与散发
在 1.1.2 版本中，新增了对数据在线切片（secret-share）与散发的反对。在以前版本中，各实体间只能通过离线形式对数据进行切片，而后独自传输到计算方上。而在 PaddleFLv1.1.2 中，各实体间能够通过在线形式对明文数据进行切片与散发，免去了两头数据存储的步骤。
4. 减少对 gRPC 通信模式的反对
在 1.1.2 版本中，新增了对 gRPC 协定的反对，用户能够依据须要指定采纳 Gloo 通信模式或是 gRPC 通信模式。利用 gRPC 通信协议，能够有效应对网络不稳固造成的闪断等状况，并对将来实现网络隔离条件下的端口收敛与单向通信提供了条件。
百度点石联邦学习平台兼容 PaddleFL，为跨机构数据流通提供“可用不可见，相逢不相识”的极致平安体验。以此解决金融、政府、医疗、互联网等客户在联结风控、联结营销、联结剖析等场景的数据安全和隐衷爱护需要，实现数据价值极大开释。
点击进入取得更多技术信息~~