联邦学习、同态加密…… 关于数据协作，你不可不知的隐私增强技术 TechWeb文

TechWeb 文 / 宜月
8月12日消息， Gartner曾预测2021年的顶级战略技术趋势，以联邦学习为代表的隐私增强技术位列其中。联邦学习是解决数据孤岛的最佳路径吗？对隐私的保护是否能一劳永逸？如何最大限度地提高数据隐私性和实用性？这样的技术与企业需求之间是否存在缺口，又将如何影响企业的发展？
一年多前，在一个金融服务业高管云集的房间有人提问：“谁听说过联邦学习？”一只手举了起来，来自房间里唯一的风险投资家。其他包括CIO和CDO在内没有一位高管对这项技术有所了解，尽管他们的企业很可能已经在使用联邦学习技术。
虽然高管不需要了解企业使用的每一项技术，但当企业寻求与合作伙伴进行安全有保障的连接时，隐私增强技术（PETs）中的联邦学习应该迅速被纳入关于数据协作的战略讨论。隐私增强技术起源于学术界，早期被政府机构和高度监管的行业采用。相关技术在不放弃对数据的控制或不损害消费者隐私的情况下可加速安全数据协作、建立客户智能（CI）和最大化数据价值，已经进入了更广泛的商业应用场景。
由于隐私监管和大型科技公司限制访问，数据的供应越来越少。随着数据隐私和安全成为全球趋势，这就很容易看出为什么这项已经存在几十年的技术现在又出现在一些希望强化数据基础、实现真实客户中心化的企业视野中。在升级数据战略的过程中，其他经常提及的隐私增强技术还包括差异隐私（differential privacy）、合成数据（synthetic data）、安全多方计算（Secure Multiparty Computation， SMPC）和同态加密（homomorphic encryption）。
隐私增强技术可以解决什么？
【联邦学习、同态加密…… 关于数据协作，你不可不知的隐私增强技术】隐私增强技术已经存在了几十年，大部分时间仅在幕后发挥作用。目前被多数人熟知的联邦学习是隐私增强技术的一种，可用于保存敏感信息（如卫星位置、银行对账单和医疗图像），使获得许可的一方能够跨云平台、基础设施和地理位置安全访问信息，而无需将其移动或复制到任何地方。
那么联邦学习服务于什么？举个简单的例子。假设用户人群相似的品牌 A 和 B ，它们拥有不同的数据。品牌 A 有用户标签数据，品牌 B 有会员数据和交易数据。这两个企业按照数据隐私准则是不能直接地把双方数据加以合并的，因为他们各自的用户并没有机会授权这样做。
那么，现在的问题是如何在 A 和 B 各端建立高质量的人群模型。但是，又由于数据不完整（例如企业 A 缺少交易数据，企业B 缺少标签数据），或者数据不充分（数据量不足以建立好的模型），各端有可能无法建立模型或效果不理想。
联邦学习的目的是解决这个问题：它能够做到各个企业的自有数据不出本地，联邦系统可以通过加密机制下的参数交换方式，在不违反数据隐私保护法规的情况下，建立一个虚拟的共有模型。这个虚拟模型就好像大家把数据聚合在一起建立的最优模型一样。
因此，在这样的一个机制下，数据本身并不移动，也不会泄露用户隐私或对数据安全产生潜在风险，联邦系统为生态建立了“win-win”的策略，也解决了数据孤岛的挑战。
那么，在目前的数字时代，联邦学习是解决数据隐私和安全的最佳路径么？
隐私保护没有一劳永逸
Gartner曾预测2021年的顶级战略技术趋势，隐私增强技术位列其中。隐私增强技术的独特之处在于，虽然所有技术都有其优点，但没有一种技术应该比另一种技术“更好”或“更差” ，因为对隐私的保护不是一劳永逸的。企业希望可配置的控件能够定制化地满足需求并加速合作关系的建立和结果的达成。大多数隐私增强技术都有不同的用途，根据企业的业务需求，它们之间的配合可能会达到更好的效果。