编译丨张泷玲、杨柳编辑丨维克多今年1月份，苏黎世联邦理工学院的StefanFeuerriegelc教授在 《CommunicationsoftheACM》期刊上刊文“ArtificialIntelligenceAcrossCompanyBorders”，在文中教授指出了人工智能（AI）产业落地过程中常见挑战：如何开展跨公司合作？ 教授表示：通过数据共享构造大规模的跨公司数据集是一种方式，但有数据保密和隐私泄漏风险，且受隐私相关法律的限制。而保护隐私的分布式机器学习框架—联邦学习，能让数据不出本地，解决上述痛点。但传统的联邦学习目前并不能提供规范的隐私保护证明，此外，其场景容易受到因果攻击。因
作者：京东科技李杰联邦学习和GNN都是当前AI领域的研究热点。联邦学习的多个参与方可以在不泄露原始数据的情况下，安全合规地联合训练业务模型，目前已在诸多领域取得了较好的结果。GNN在应对非欧数据结构时通常有较好的表现，因为它不仅考虑节点本身的特征还考虑节点之间的链接关系及强度，在诸如：异常个体识别、链接预测、分子性质预测、地理拓扑图预测交通拥堵等领域均有不俗表现。那么GNN与联邦学习的强强组合又会擦出怎样的火花？通常一个好的GNN算法需要丰富的节点特征与完整的连接信息，但现实场景中数据孤岛问题比较突出，单个数据拥有方往往只有有限的数据、特征、边信息，但我们借助联邦学习技术就可以充分利用各方数据
作者：京东科技李杰联邦学习和GNN都是当前AI领域的研究热点。联邦学习的多个参与方可以在不泄露原始数据的情况下，安全合规地联合训练业务模型，目前已在诸多领域取得了较好的结果。GNN在应对非欧数据结构时通常有较好的表现，因为它不仅考虑节点本身的特征还考虑节点之间的链接关系及强度，在诸如：异常个体识别、链接预测、分子性质预测、地理拓扑图预测交通拥堵等领域均有不俗表现。那么GNN与联邦学习的强强组合又会擦出怎样的火花？通常一个好的GNN算法需要丰富的节点特征与完整的连接信息，但现实场景中数据孤岛问题比较突出，单个数据拥有方往往只有有限的数据、特征、边信息，但我们借助联邦学习技术就可以充分利用各方数据
新项目用umi4-max搭建，部分功能想要使用其他项目的功能，不想重新开发，想到了使用webpack5的联邦模块，可以直接引用其他项目代码来实现共享代码。理想很美好，现实很残酷。直接按照webpack5联邦模块的使用方法，并不能成功，而官方文档没有明确说明如何使用。webpack联邦模块如何使用呢？理解：使用场景：项目A有一个功能，项目B也想用。此时可以用。使用前提：依赖webpack5，且主要依赖相同（如都依赖react)说明：项目A需要用项目B的代码，项目A为导入项目，项目B为导出项目。相关配置字段说明：字段名类型含义namestring必传值，即输出的模块名，被远程引用时路径为name/
新项目用umi4-max搭建，部分功能想要使用其他项目的功能，不想重新开发，想到了使用webpack5的联邦模块，可以直接引用其他项目代码来实现共享代码。理想很美好，现实很残酷。直接按照webpack5联邦模块的使用方法，并不能成功，而官方文档没有明确说明如何使用。webpack联邦模块如何使用呢？理解：使用场景：项目A有一个功能，项目B也想用。此时可以用。使用前提：依赖webpack5，且主要依赖相同（如都依赖react)说明：项目A需要用项目B的代码，项目A为导入项目，项目B为导出项目。相关配置字段说明：字段名类型含义namestring必传值，即输出的模块名，被远程引用时路径为name/
1、绪论联邦机器学习（Federatedmachinelearning）又叫做联邦学习（FederatedLearning/FL），本质上也就是机器学习，但是他是将多方数据放在一起进行学习，考虑到数据的安全性和隐私性，多个合作方的数据通常不能互通，这也就造成了数据孤岛，联邦学习能够在保证数据安全与隐私的前提下实现多方共同建模，学习流程如下：各个合作方将自己的本地数据进行训练得到子模型，将训练得到的参数再上传到服务器，经过聚合后得到整体参数：图1联邦学习流程图由于联邦学习不需要共享各个合作方的原始数据就可以更新参数而备受关注，除此之外，联邦学习需要在第三方的帮助下完成，因此隐私与安全问题是联邦
1、绪论联邦机器学习（Federatedmachinelearning）又叫做联邦学习（FederatedLearning/FL），本质上也就是机器学习，但是他是将多方数据放在一起进行学习，考虑到数据的安全性和隐私性，多个合作方的数据通常不能互通，这也就造成了数据孤岛，联邦学习能够在保证数据安全与隐私的前提下实现多方共同建模，学习流程如下：各个合作方将自己的本地数据进行训练得到子模型，将训练得到的参数再上传到服务器，经过聚合后得到整体参数：图1联邦学习流程图由于联邦学习不需要共享各个合作方的原始数据就可以更新参数而备受关注，除此之外，联邦学习需要在第三方的帮助下完成，因此隐私与安全问题是联邦
