联邦学习框架下的数据安全与利用合规路径

0     引言

当前人工智能发展面临数据孤岛现象与数据融合需求的矛盾，联邦学习有助于破解数据协作创新与数据隐私保护的困境。作为基于设计隐私的分布式协作模型，联邦学习可以在保护个人信息的前提下，使得跨组织、跨设备、跨区域的不同特征维度数据合规共享、流通、融合。在联邦学习框架中还可以结合使用多种隐私计算技术，如多方安全计算、同态加密等，进一步加强对个人信息的保护，降低隐私泄露的安全风险。本文首先分析了联邦学习是基于设计隐私思想的分布式协作模型，然后对联邦学习框架在个人信息保护原则下的表现进行评价并提出建议，最后探讨了联邦学习如何促进数据合规并指出依然存在的合规风险。

本文详细内容请下载：https://www.chinaaet.com/resource/share/2000005369

作者信息：

孙绮雯

(清华大学法学院，北京100084)