随着我国数字经济的飞速发展，数据安全日渐成为关系国家安全和发展、关系广大人民群众切身利益的重要议题，数据安全法、个人信息保护法等法律对数据的保护和开发利用做出了明确的约束和规定，为数字经济的健康发展保驾护航。2022年，隐私计算商业化和算法迭代双提速，以联邦学习为代表的隐私计算正在成为解决数据安全与开放共享之间矛盾的重要技术路径。 

　　针对近两年来隐私计算和联邦学习发展和应用中面临的挑战，联邦学习FATE开源社区技术指导委员会主席、微众银行首席人工智能官杨强教授及团队对联邦学习的理论进行了持续的丰富和拓展，提出了“可信联邦学习”概念，探索解决近年来隐私计算和联邦学习发展和应用中面临的安全、效率、性能三者均衡的问题。 

　　可信联邦学习：安全可证明、性能可使用、效率可控、决策可解释、模型可监管、普惠 

　　微众银行是国内首个提出“联邦学习”（Federated Learning）的机构，联邦学习为人工智能落地中数据孤岛与数据隐私保护难题提供了通用解决方案。联邦学习是一种机器学习技术，可以在不交换数据样本的情况下，在多个分散的边缘设备或服务器上训练算法。相比传统的数据授权和数据传输模式，联邦学习既能满足隐私保护的要求，又能够实现商业诉求。 

　　此次杨强教授提出的“可信联邦学习”是指安全可信的联邦学习，其本质是能够满足用户和监管等各方面需求的分布式机器学习范式。可信联邦学习将助推隐私计算应用在各种场景上，降低隐私计算的成本，提升隐私计算应用质量，从而加速推动隐私计算行业的发展。 

　　隐私保护、模型性能、算法效率作为该范式的核心三角基石，与模型的决策可解释性和模型的可监管性两大支柱，共同构成了更加安全可信的联邦学习。同时，可信联邦学习体现出来的核心特征是数据安全可证明、模型性能可使用、机器学习效率可控、决策可解释、模型可监管、普惠。

　　（“可信联邦学习”的三角基石） 

　　可信联邦学习的目的是综合配置各类技术，结合分布式机器学习和人工智能算法，找到联合建模可信、可行及可控的解决方案。为合理配置各隐私计算技术，杨强教授及团队提出了隐私与模型性能的"No-free-lunch安全-收益恒定"定律。 

　　杨强教授指出，利用该定律，可信联邦学习将安全-性能-效率三者形成有机整体，以实现更高质量的隐私保护，同时达到既不牺牲数据安全保护,也不致使模型性能和学习效率的大幅下降的效果。良好运用该定律，各方能够量化分析隐私计算各种技术保护方案的优劣，优化隐私保护算法设计。 

　　微众银行深耕隐私计算，累计已获多项成果 

　　全球隐私数据专利数量增长迅速。近日，全球知识产权综合信息服务提供商IPRdaily与incoPat创新指数研究中心联合发布2022年“全球隐私计算技术发明专利排行榜（TOP100）”，微众银行以204件专利位列排行榜第八名，在所有入选榜单的银行当中，微众银行名列全球第一。 

　　作为国内首家互联网银行，微众银行自成立之日起，就制订了“ABCD”（AI人工智能、Blockchain区块链、Cloud Computing云计算、Big Data大数据）金融科技战略，在多方安全计算、区块链、联邦学习等方面积极开展研究和应用，并融合构建隐私计算核心能力，在隐私计算领域已有丰富的经验及众多落地成果。 

　　在联邦学习方面，早在2019年2月，微众银行便将自主研发的全球首个工业级联邦学习框架 FATE予以正式发布，提供基于数据隐私保护的分布式安全计算框架，为机器学习、深度学习、迁移学习算法提供高性能的安全计算支持。目前，FATE已在信贷风控、客户权益定价、智慧零售、智慧医疗、监管科技等领域推动应用落地。 

　　在区块链方面，微众银行在多年技术沉淀的基础上，发布的区块链核心项目已超过10个，构建了涵括底层、中间件和应用组件在内的全栈技术体系。而在安全多方计算方面，微众银行给出了场景式隐私保护解决方案WeDPR。该方案组合多种隐私保护策略，融合安全多方计算、同态加密、零知识证明、选择性披露等算法，满足多变业务流程。 

　　据悉，微众银行在科技上持续投入研发，科技人员占全员比例始终保持在50%以上，历年科技研发费用占营业收入比重超10%，累计申请发明专利超2000项，其中2019年公开的发明专利申请量632件，居全球银行业前列。