聯合學習（Federated Learning）如何解決數據隱私問題？

摘要： 在資料共享的大數據時代下，個人資料隱私問題也逐漸被大家重視，現在 AI 面臨的最大挑戰，就是要想出怎麼解決隱私問題，同時優化中心模型演算法。如今「聯合學習」（Federated Learning），做到了！

▲圖片標題(來源：Flickr)

我們都知道，要成為一個領域的專家，「經驗」正是其中關鍵 ，而 AI（人工智慧）演算法正是基於這樣的概念不斷突破進步。2015 年 10 月，電腦圍棋程式 AlphaGo 擊敗中國出生的法國職業二段圍棋棋士，樊麾，成為第一個無需讓子即可在 19 路棋盤上擊敗圍棋職業棋士的 AI，寫下了歷史，該事件更在 2016 年 1 月發表在知名期刊《Nature》上。

經過這件事後，AI 演算法被大量廣泛運用，科技的進步讓數據無所不在。

隱私法案的出現，讓資料取得出現重重阻力！

2018 年，臉書爆出 劍橋分析事件 後，各國更加重視資料隱私權，並紛紛祭出嚴格的隱私條款。

像歐盟就在 2018 年 5 月通過 GDPR（General Data Protection Regulation）法案， 明確規定所有與個人相關的資訊都是個人數據，對數據的使用行為必須要有用戶的明確授權與同意，這讓數據使用、整合與共享難上加難。

在這樣的挑戰下，Google 於 2016 年推出一項嶄新概念：「聯合學習」（Federated Learning）。

聯合學習（Federated Learning）：改變醫療科技樣貌

聯合學習這項技術的優點特別適合用在醫療生態系統，徹底改變訓練人工智慧模型的方式。

過去為了保護病患隱私，醫院只能依賴自己收集的資料，很難取得大量的疾病資料，但是在聯合學習的協助下，多個組織可以合作開發模型，又不用彼此直接分享機密的臨床資料。

在經過多次訓練反覆運算的過程中，醫療機構之間的共用模型接觸到的資料量，會比任何單一組織內部擁有的資料量還要更多。

文章開頭提到「要成為專家一定要累積經驗」之談，運用在醫療情境中，就代表要成為醫學專家，少說也要工作 15 年才能培養出特定醫學專業能力，而這樣的專家一年大概要看 1.5 萬個病人，也就是說，這 15 年中醫生總共讀 22.5 萬個病例才能夠達到臨床等級的準確性。

但是如果今天是罕見疾病，就算是一位有 30 年經驗的專家，在醫學生涯中頂多也只能接觸到 100 個病患。

用去中心化的數據強化中心模型

為了訓練出與醫學專家水準相當的模型， 我們需要將大量病例投到 AI 演算法中，但是為了保護病患隱私，聯合學習不用把資料集中到一處，而是在分散的地方進行多次反覆運算，以訓練深度學習模型。

例如，有三間醫院決定合作開發一個自動分析腦瘤影像的模型。他們就需要使用客戶端伺服器， 省去建立「單一資料湖訓練模型」的過程 ， 各參與的醫院只需從每個終端裝置傳送分析結果到「中央伺服器」就能訓練，還能將資料集存放在自己的安全基礎設施中。

中央伺服器再匯總各參與醫院送回的模型，同時將更新後的參數分享給參與的醫院，以便它們能夠繼續在客戶端進行訓練。

如果其中一間醫院決定要離開訓練團隊，模型訓練事宜也不會中斷，因為它並不依賴任何特定資料，新醫院也能選擇隨時加入這項訓練活動。

這只是聯合學習的多種作法之一，而這些作法的共通點是各參與者都能投入自己資料，又獲得完整知識，可謂是各方皆贏的作法。

轉貼自： 科技報橘

若喜歡本文，請關注我們的臉書 Please Like our Facebook Page： 　　　Big Data In Finance