摘要：當(dāng)前數(shù)字政府建設(shè)已進入深水區(qū)，政務(wù)大數(shù)據(jù)平臺作為數(shù)據(jù)底座支撐各類政務(wù)信息化應(yīng)用，其隱私數(shù)據(jù)的安全性和合規(guī)性一直被業(yè)界廣泛關(guān)注。聯(lián)邦學(xué)習(xí)是一類解決數(shù)據(jù)孤島的重要方法，基于聯(lián)邦學(xué)習(xí)的政務(wù)一體化大數(shù)據(jù)平臺應(yīng)用具有較高的研究價值。首先，介紹政務(wù)大數(shù)據(jù)平臺及聯(lián)邦學(xué)習(xí)應(yīng)用現(xiàn)狀;然后，分析政務(wù)大數(shù)據(jù)平臺面臨的隱私數(shù)據(jù)的采集、分類分級、共享三大管理挑戰(zhàn);接著，闡述基于聯(lián)邦學(xué)習(xí)的推薦算法和隱私集合求交技術(shù)的解決方法;最后，對政務(wù)大數(shù)據(jù)平臺隱私數(shù)據(jù)的未來應(yīng)用進行了總結(jié)和展望。

　　關(guān)鍵詞：政務(wù)大數(shù)據(jù);聯(lián)邦學(xué)習(xí);推薦算法;隱私集合求交

　　論文《基于聯(lián)邦學(xué)習(xí)的政務(wù)大數(shù)據(jù)平臺應(yīng)用研究》發(fā)表在《大數(shù)據(jù)》，版權(quán)歸《大數(shù)據(jù)》所有。本文來自網(wǎng)絡(luò)平臺，僅供參考。

　　0 引言

　　隨著人工智能、隱私計算、大數(shù)據(jù)技術(shù)的融合發(fā)展，全國各地掀起了數(shù)字政府建設(shè)的高潮，政務(wù)大數(shù)據(jù)平臺應(yīng)運而生。政務(wù)大數(shù)據(jù)平臺是一個集數(shù)據(jù)匯聚、交換、治理、分析、應(yīng)用、安全為一體的統(tǒng)一政務(wù)數(shù)據(jù)共享開放平臺。《全國一體化政務(wù)大數(shù)據(jù)體系建設(shè)指南》顯示，截至2022年9月，我國已有26個省級政務(wù)數(shù)據(jù)平臺、257個市級政務(wù)數(shù)據(jù)平臺、355個縣級政務(wù)數(shù)據(jù)平臺，多地已初步建成省市縣一體化的政務(wù)大數(shù)據(jù)平臺，這些平臺在推進數(shù)字政府建設(shè)中發(fā)揮著重要作用。

　　| 序號 | 類型 | 平臺上線量 | 平臺上線率 |

　　| 1 | 省級政務(wù)大數(shù)據(jù)平臺 | 26 | 76.47% |

　　| 2 | 市級政務(wù)大數(shù)據(jù)平臺 | 257 | 77.18% |

　　| 3 | 縣級政務(wù)大數(shù)據(jù)平臺 | 355 | 12.49% |

　　隨著政務(wù)大數(shù)據(jù)平臺的不斷落地，大量的數(shù)據(jù)匯聚到政務(wù)大數(shù)據(jù)平臺。平衡數(shù)據(jù)共享與隱私保護是學(xué)術(shù)界普遍關(guān)注的課題。在技術(shù)層面，如果沒有強有力的安全管理措施，這些數(shù)據(jù)一旦泄露，將會是一個巨大災(zāi)難。在法律層面，我國越來越重視數(shù)據(jù)使用的合規(guī)性，《中華人民共和國數(shù)據(jù)安全法》和《中華人民共和國個人信息保護法》相繼出臺，進一步增加了政府機構(gòu)之間、政企之間采集和共享隱私數(shù)據(jù)的難度。由上可知，推進一體化的政務(wù)大數(shù)據(jù)平臺依然面臨“數(shù)據(jù)孤島”問題。

　　本文從隱私保護技術(shù)的角度對當(dāng)前政務(wù)大數(shù)據(jù)平臺中隱私數(shù)據(jù)的數(shù)據(jù)采集、分類分級、數(shù)據(jù)共享等進行了分析，提出以下研究目標(biāo)：

　　最小必要：解決政府部門之間數(shù)據(jù)共享過程中出現(xiàn)的過度歸集數(shù)據(jù)的問題，防止出現(xiàn)超范圍歸集隱私數(shù)據(jù)、超權(quán)限使用隱私數(shù)據(jù)、違法違規(guī)交易隱私數(shù)據(jù)等行為。

　　科學(xué)分類：基于政務(wù)大數(shù)據(jù)平臺數(shù)據(jù)量大、隱私性強、結(jié)構(gòu)復(fù)雜的特點，解決難以對海量多源異構(gòu)的原始數(shù)據(jù)進行分類分級管理的問題，保持數(shù)據(jù)分類分級的一致性以及防護策略的有效性。

　　高質(zhì)共享：兩個垂直機構(gòu)或水平機構(gòu)對雙方的隱私數(shù)據(jù)進行融合分析，從而得出決策數(shù)據(jù)，這種情況較為常見。在保證隱私數(shù)據(jù)安全的前提下，實現(xiàn)隱私集合求交，獲得高質(zhì)量交集數(shù)據(jù)。此外，在“數(shù)據(jù)孤島”仍然存在的背景下，實現(xiàn)數(shù)源部門數(shù)據(jù)快速有效的供需匹配。

　　1 研究現(xiàn)狀

　　1.1 政務(wù)大數(shù)據(jù)相關(guān)研究

　　近年來，國家高度重視一體化政務(wù)大數(shù)據(jù)體系建設(shè)，先后出臺了《促進大數(shù)據(jù)發(fā)展行動綱要》《關(guān)于推進公共信息資源開放的若干意見》等系列文件，明確提出數(shù)據(jù)是國家基礎(chǔ)性戰(zhàn)略資源，要求推動建設(shè)全國一體化的國家大數(shù)據(jù)中心，加快新型基礎(chǔ)設(shè)施建設(shè)布局，加速推進政務(wù)數(shù)據(jù)開放和應(yīng)用。從2018年起，全國各地相繼成立大數(shù)據(jù)管理機構(gòu)，建立政務(wù)大數(shù)據(jù)共享平臺，并制定政務(wù)數(shù)據(jù)歸集規(guī)范，在一定程度上實現(xiàn)了政務(wù)數(shù)據(jù)統(tǒng)籌管理目標(biāo)，為政務(wù)數(shù)據(jù)共享提供了統(tǒng)一平臺。然而，隨著我國政府?dāng)?shù)據(jù)的不斷開放，數(shù)據(jù)開放與隱私保護之間的矛盾日益凸顯，我國政府?dāng)?shù)據(jù)開放平臺在隱私保護方面的整體表現(xiàn)不佳。由政府?dāng)?shù)據(jù)開放引發(fā)的隱私泄露事件不僅侵犯了公民的權(quán)益，給政府部門造成經(jīng)濟與聲譽上的損失，還嚴重制約了政府?dāng)?shù)據(jù)開放的發(fā)展。

　　1.2 聯(lián)邦學(xué)習(xí)相關(guān)研究

　　聯(lián)邦學(xué)習(xí)是隱私計算的一種主流技術(shù)。聯(lián)邦學(xué)習(xí)的概念最早是在2016年由谷歌提出的，它是一種滿足隱私保護和數(shù)據(jù)安全的分布式機器學(xué)習(xí)框架。聯(lián)邦學(xué)習(xí)僅需在數(shù)據(jù)分散存儲的節(jié)點上訓(xùn)練模型，由于服務(wù)器無法獲取原始數(shù)據(jù)，個人數(shù)據(jù)隱私得到了有效的保護，有效解決了“數(shù)據(jù)孤島”和數(shù)據(jù)隱私保護的問題。另外，傳統(tǒng)的機器學(xué)習(xí)模型不能直接處理異構(gòu)數(shù)據(jù)，利用聯(lián)邦學(xué)習(xí)技術(shù)，無須處理異構(gòu)數(shù)據(jù)即可建立全局數(shù)據(jù)上的機器學(xué)習(xí)模型，既保護了數(shù)據(jù)隱私，又解決了數(shù)據(jù)異構(gòu)問題。在數(shù)據(jù)隱私問題備受關(guān)注的今天，聯(lián)邦學(xué)習(xí)在避免數(shù)據(jù)泄露、中心點數(shù)據(jù)受到攻擊等方面具備顯著優(yōu)勢。

　　在實際應(yīng)用中，按照“孤島數(shù)據(jù)”的分布特點，聯(lián)邦學(xué)習(xí)可分為橫向聯(lián)邦學(xué)習(xí)、縱向聯(lián)邦學(xué)習(xí)、聯(lián)邦遷移學(xué)習(xí)3類。此外，聯(lián)邦學(xué)習(xí)架構(gòu)也可分為需要協(xié)調(diào)方的客戶-服務(wù)器架構(gòu)和不需要協(xié)調(diào)方的對等網(wǎng)絡(luò)架構(gòu)，其中對等網(wǎng)絡(luò)架構(gòu)可以進一步確保數(shù)據(jù)安全性，因為各方無須借助第三方便可通信。

　　聯(lián)邦學(xué)習(xí)在處理數(shù)據(jù)共享開放和數(shù)據(jù)隱私保護方面表現(xiàn)突出。到目前為止，聯(lián)邦學(xué)習(xí)已在金融風(fēng)控、廣告營銷等方面落地。例如，淘寶、抖音、美團等電商平臺推送不同的產(chǎn)品宣傳信息，其背后的推薦模型需要大量的用戶特征數(shù)據(jù)。每一家電商企業(yè)只擁有用戶的一部分特征數(shù)據(jù)，如果可以接入其他與用戶有關(guān)聯(lián)性的數(shù)據(jù)，補充特征數(shù)據(jù)，那么廣告推薦的效果將大幅提升。然而，這些方法僅限于在線購物、視頻瀏覽等數(shù)據(jù)維度小的場景，無法處理城市交通綜合調(diào)度、教育醫(yī)療資源需求分配等基于政務(wù)大數(shù)據(jù)平臺的大型群體智能應(yīng)用。

　　1.3 聯(lián)邦學(xué)習(xí)在政務(wù)大數(shù)據(jù)領(lǐng)域相關(guān)研究

　　聯(lián)邦學(xué)習(xí)技術(shù)快速發(fā)展，正在助力政府打破各領(lǐng)域的數(shù)據(jù)壁壘，已在多個真實場景中發(fā)揮了重要作用。在智慧警務(wù)領(lǐng)域，有研究提出通過聯(lián)邦學(xué)習(xí)技術(shù)實現(xiàn)不同地區(qū)相同警種間的數(shù)據(jù)協(xié)作，如精準步態(tài)識別、有遮擋的人物識別、行人重識別等任務(wù)。在智慧醫(yī)療領(lǐng)域，聯(lián)邦學(xué)習(xí)技術(shù)解決了電子健康記錄管理、醫(yī)療影像分析等隱私保護問題，有研究介紹了基于聯(lián)邦學(xué)習(xí)的全國首個跨多個省級區(qū)域的數(shù)字化聯(lián)防聯(lián)控平臺，解決了醫(yī)療大數(shù)據(jù)在多個地區(qū)之間的共享和隱私保護問題。在智慧交通領(lǐng)域，有研究提出一種基于聯(lián)邦學(xué)習(xí)的交通資源調(diào)度方法，該方法顯著提升了群體的出行效率。在智慧電力領(lǐng)域，有研究提出利用聯(lián)邦學(xué)習(xí)預(yù)測充電站的能源需求，根據(jù)預(yù)測結(jié)果決策是否在充電站預(yù)先存儲能源以及存儲多少能源。

　　以上研究對象均為某一領(lǐng)域的隱私數(shù)據(jù)分析，但跨領(lǐng)域的多維度數(shù)據(jù)應(yīng)用并未取得較大突破，無法利用本領(lǐng)域的數(shù)據(jù)分析為其他領(lǐng)域的數(shù)據(jù)預(yù)測提供幫助，如智慧醫(yī)療領(lǐng)域的聯(lián)邦學(xué)習(xí)方法無法對市民的購物等生活數(shù)據(jù)進行關(guān)聯(lián)分析。然而，國家一體化政務(wù)大數(shù)據(jù)中包含多種跨領(lǐng)域數(shù)據(jù)，能夠挖掘更多的數(shù)據(jù)價值。本文的研究重點是在國家一體化政務(wù)大數(shù)據(jù)平臺的基礎(chǔ)上，實現(xiàn)基于聯(lián)邦學(xué)習(xí)技術(shù)的跨層級、跨領(lǐng)域、跨地區(qū)的海量多維隱私數(shù)據(jù)的融合應(yīng)用。

　　2 政務(wù)大數(shù)據(jù)平臺隱私數(shù)據(jù)管理挑戰(zhàn)

　　根據(jù)《全國一體化政務(wù)大數(shù)據(jù)體系建設(shè)指南》，到2023年年底，全國一體化政務(wù)大數(shù)據(jù)體系初步形成，全國一體化指的是實現(xiàn)國家、省、市、縣四級政務(wù)大數(shù)據(jù)平臺上下貫通、協(xié)同作戰(zhàn)。在這個框架體系下，政務(wù)大數(shù)據(jù)平臺具有數(shù)據(jù)鏈條長、數(shù)據(jù)維度多、數(shù)據(jù)價值高的特點，這增加了數(shù)據(jù)開放共享的安全風(fēng)險。同時，有些部門以數(shù)據(jù)安全要求高、僅供特定部門使用為由，在數(shù)據(jù)供需雙方自建共享渠道。針對數(shù)據(jù)安全的不同生命周期，有研究提出了數(shù)據(jù)安全能力成熟度模型，根據(jù)數(shù)據(jù)的生命周期，數(shù)據(jù)安全可分為采集安全、傳輸安全、存儲安全、處理安全、交換安全和銷毀安全。在基于一體化政務(wù)大數(shù)據(jù)平臺的數(shù)據(jù)全生命周期安全管理中，隱私數(shù)據(jù)的數(shù)據(jù)采集、分類分級、數(shù)據(jù)共享是數(shù)據(jù)安全領(lǐng)域的研究重點。

　　2.1 隱私數(shù)據(jù)安全采集難

　　數(shù)據(jù)采集包括外部數(shù)據(jù)和內(nèi)部數(shù)據(jù)的采集，外部數(shù)據(jù)是指除了組織內(nèi)部之外的所有數(shù)據(jù)提供方，采集過程需要保證數(shù)據(jù)的傳輸和存儲安全，并提供全過程審計的能力。根據(jù)采集的數(shù)據(jù)類型和數(shù)據(jù)源不同，數(shù)據(jù)采集可以選擇不同的技術(shù)工具。目前政務(wù)數(shù)據(jù)主要有數(shù)據(jù)庫數(shù)據(jù)和系統(tǒng)日志數(shù)據(jù)兩種來源。基于數(shù)據(jù)庫采集源數(shù)據(jù)，主要采用直接數(shù)據(jù)源同步、生成數(shù)據(jù)文件同步、數(shù)據(jù)庫日志同步3種方式。其中，直接數(shù)據(jù)源同步是指直接連接業(yè)務(wù)數(shù)據(jù)庫;生成數(shù)據(jù)文件同步是指從數(shù)據(jù)源系統(tǒng)現(xiàn)場生成數(shù)據(jù)文件，再通過文件系統(tǒng)同步到目標(biāo)數(shù)據(jù)庫中;數(shù)據(jù)庫日志同步是指基于源數(shù)據(jù)庫的日志文件同步數(shù)據(jù)。以上技術(shù)是非涉密涉敏數(shù)據(jù)采集的常用手段，在公檢法、交通等領(lǐng)域不可行，急需從聯(lián)邦學(xué)習(xí)等隱私計算相關(guān)技術(shù)方法加以突破。

　　數(shù)據(jù)適用性差：目前，部分地區(qū)政務(wù)大數(shù)據(jù)平臺主要涉及垂直業(yè)務(wù)部門和本地同級相關(guān)部門的數(shù)據(jù)采集工作，一般采用必要性和最小化原則進行采集，防止出現(xiàn)超范圍采集用戶數(shù)據(jù)、超權(quán)限使用用戶數(shù)據(jù)、違法違規(guī)交易用戶數(shù)據(jù)及差異化用戶決策等違法行為。

　　數(shù)據(jù)一致性差：根據(jù)國家一體化政務(wù)大數(shù)據(jù)建設(shè)要求，各地區(qū)依托政務(wù)數(shù)據(jù)平臺統(tǒng)籌推進本地政務(wù)數(shù)據(jù)的歸集工作，實現(xiàn)省市縣三級數(shù)據(jù)匯聚整合，行業(yè)主管部門做好本行業(yè)政務(wù)數(shù)據(jù)的歸集工作。因數(shù)據(jù)維度、數(shù)據(jù)質(zhì)量等差距，多數(shù)據(jù)源回歸過程普遍存在數(shù)據(jù)不一致的問題。

　　數(shù)據(jù)鮮活性低：在國家一體化政務(wù)大數(shù)據(jù)平臺建設(shè)的背景下，如何通過數(shù)據(jù)采集來持續(xù)提升數(shù)據(jù)鮮活度，是一項有較大挑戰(zhàn)性的工作。例如，由于人口庫數(shù)據(jù)存在流動人口動態(tài)變化及多源管理的問題，維護人口庫數(shù)據(jù)需要從橫向和縱向全維度實現(xiàn)反向數(shù)據(jù)反饋，實現(xiàn)數(shù)據(jù)“反哺”，以此實現(xiàn)平臺數(shù)據(jù)鮮活性。

　　2.2 隱私數(shù)據(jù)分類分級難

　　為了平衡數(shù)據(jù)使用的便捷性和數(shù)據(jù)保護的安全性，促進數(shù)據(jù)安全能力建設(shè)降本增效，政務(wù)大數(shù)據(jù)平臺通常會對政務(wù)數(shù)據(jù)資產(chǎn)進行分類分級，以便對數(shù)據(jù)采用精細化的安全管控手段，避免“一刀切”現(xiàn)象。同時，數(shù)據(jù)分類分級有助于發(fā)現(xiàn)冗余、無關(guān)、過時和被遺忘的數(shù)據(jù)，以便將其從系統(tǒng)中刪除。

　　安全合規(guī)難：《數(shù)據(jù)安全法》第二十一條明確規(guī)定，國家建立數(shù)據(jù)分類分級保護制度，對數(shù)據(jù)實行分類分級保護。這意味著在法律層面，數(shù)據(jù)分類分級工作已成為政府、企事業(yè)單位等開展數(shù)據(jù)處理活動必須遵守的規(guī)定。隨著《數(shù)據(jù)安全法》的落地，數(shù)據(jù)分類分級也將成為數(shù)據(jù)安全合規(guī)工作的首要任務(wù)。然而，目前相當(dāng)一部分政務(wù)大數(shù)據(jù)平臺因起步建設(shè)較早、安全工作重視度不夠等原因，并沒有嚴格落實數(shù)據(jù)分類分級，隱私數(shù)據(jù)安全形勢仍然嚴峻。

　　規(guī)則趨同難：國家統(tǒng)籌建國家、省、市、縣四級一體化政務(wù)大數(shù)據(jù)平臺數(shù)據(jù)量大、結(jié)構(gòu)復(fù)雜，難以對海量多源異構(gòu)的原始數(shù)據(jù)進行分類分級管理，如何保持數(shù)據(jù)分類分級的一致性，是一個技術(shù)難題。

　　隱私保護難：目前數(shù)據(jù)分類分級工作普遍采用機器學(xué)習(xí)建模進行初篩，再由人工審核的方式。針對隱私數(shù)據(jù)的分類分級，人工參與程度較深，易造成敏感信息泄露、人力成本高、主觀因素大等問題。

　　2.3 隱私數(shù)據(jù)充分共享難

　　為了充分挖掘數(shù)據(jù)價值，各級政務(wù)大數(shù)據(jù)管理機構(gòu)會跨系統(tǒng)、跨區(qū)域、跨層級進行數(shù)據(jù)共享，然而數(shù)據(jù)在共享的過程中可能存在隱私泄露的風(fēng)險。

　　精準度量難：政務(wù)公共數(shù)據(jù)涉及社會經(jīng)濟發(fā)展中各領(lǐng)域的關(guān)鍵數(shù)據(jù)，在數(shù)據(jù)開放共享中普遍存在度量難題，一是數(shù)源單位沒有采用有效的數(shù)據(jù)分類分級管理辦法，存在過度共享導(dǎo)致的隱私數(shù)據(jù)泄露的問題;二是數(shù)源單位開放的數(shù)據(jù)存在低質(zhì)或無效問題，難以量化數(shù)據(jù)合格率。

　　安全管控難：政務(wù)公共數(shù)據(jù)在開放過程中普遍存在涉及鏈條長、機構(gòu)多等問題，一是在共享取數(shù)過程中，數(shù)據(jù)存在被篡改或偽造的風(fēng)險;二是開發(fā)過程存在代碼不規(guī)范等問題，容易造成數(shù)據(jù)泄露;三是數(shù)據(jù)二次或多次共享導(dǎo)致數(shù)據(jù)溯源難。

　　3 基于聯(lián)邦學(xué)習(xí)的政務(wù)大數(shù)據(jù)應(yīng)用分析

　　基于國家一體化的政務(wù)大數(shù)據(jù)具備大規(guī)模特性，在進行多領(lǐng)域數(shù)據(jù)關(guān)聯(lián)分析時，常采用隱私集合求交技術(shù)實現(xiàn)隱私數(shù)據(jù)保護。同時，政務(wù)大數(shù)據(jù)應(yīng)用場景具備數(shù)據(jù)量大、用戶多等特性，缺少個性化信息過濾服務(wù)。針對以上問題，本文提出了一種利用聯(lián)邦推薦系統(tǒng)實時精準定位所需數(shù)據(jù)的方法。

　　3.1 隱私集合求交技術(shù)及應(yīng)用

　　隱私集合求交(private set intersection, PSI)也被稱為安全求交，它是指多個數(shù)源單位分別擁有一個集合，它們想求多個集合的交集，同時保證最終只會泄露交集的結(jié)果，而不會泄露各方非交集的集合元素。該技術(shù)被認為是跨機構(gòu)數(shù)據(jù)合作的前置步驟，實現(xiàn)了跨源數(shù)據(jù)間的安全融合。

　　隱私集合求交技術(shù)應(yīng)用發(fā)展迅速，可以分為基于密碼學(xué)和基于硬件兩類，二者各有優(yōu)勢。基于密碼學(xué)的技術(shù)公開透明，各個參與方是對等的，安全性也有保障，但是在參考方很多的時候，需要兩兩交互，通信量大。而基于硬件的方法在參與方較多時，所需的通信輪數(shù)少。本文只討論基于密碼學(xué)的方法，這類方法包括基于公鑰體系(如同態(tài)加密)的方法、基于電路的方法、基于不經(jīng)意傳輸?shù)姆椒ā?/p>

　　在保護數(shù)據(jù)隱私的前提下解決行業(yè)中的數(shù)據(jù)孤島問題，是聯(lián)邦學(xué)習(xí)價值的核心。目前聯(lián)邦學(xué)習(xí)在各種隱私集合求交場景應(yīng)用廣泛，如金融、醫(yī)療、交通、旅游等。

　　以一個區(qū)縣級旅游目的地的旅游數(shù)據(jù)共享應(yīng)用為例，某地旅游主管部門擬開展下一年高鐵游精準營銷計劃，需要建立一個基于游客的高鐵旅客數(shù)據(jù)、景區(qū)入園數(shù)據(jù)、公安住宿數(shù)據(jù)的游客畫像。經(jīng)調(diào)研，當(dāng)?shù)刂徽莆沼慰途皡^(qū)入園數(shù)據(jù)，而游客在酒店的住宿數(shù)據(jù)由市級公安部門住宿登記平臺管理，通過高鐵出行的游客數(shù)據(jù)由國家鐵路部門管理，并且這些數(shù)據(jù)分別由區(qū)縣級、市級、國家部級3個不同級別的政務(wù)大數(shù)據(jù)平臺管理。在國家一體化政務(wù)大數(shù)據(jù)平臺框架下采用聯(lián)邦學(xué)習(xí)方案，各數(shù)據(jù)持有方不需要提交數(shù)據(jù)，通過隱私集合求交的方式，保證了本地數(shù)據(jù)的安全，降低了隱私泄露的風(fēng)險，實現(xiàn)“數(shù)據(jù)不出域，模型出域”的目標(biāo)。

　　3.2 推薦系統(tǒng)技術(shù)及應(yīng)用

　　隨著互聯(lián)網(wǎng)、大數(shù)據(jù)技術(shù)的迅猛發(fā)展，海量信息常常會讓用戶迷失，無法找到想要的內(nèi)容。為了解決這類信息過載問題，推薦系統(tǒng)(recommendation system, RS)應(yīng)運而生。推薦系統(tǒng)利用用戶的各種知識和數(shù)據(jù)生成個性化推薦結(jié)果，其構(gòu)建依賴于大量的用戶信息、物品信息以及二者之間的交互信息。目前，推薦模型主要分為協(xié)同過濾、基于內(nèi)容、基于模型、混合推薦這4類。傳統(tǒng)的推薦系統(tǒng)以集中式訓(xùn)練為主，即推薦系統(tǒng)的構(gòu)建者先收集推薦系統(tǒng)所需要的數(shù)據(jù)(如評分、評論和點擊等)至一個集中區(qū)域，進而在該區(qū)集中式訓(xùn)練推薦模型，達不到保護用戶數(shù)據(jù)隱私的目的。

　　基于聯(lián)邦學(xué)習(xí)的推薦系統(tǒng)是為保護用戶隱私而采用去中心化的推薦系統(tǒng)訓(xùn)練方法，在該方法中，隱私數(shù)據(jù)依舊由用戶保存在各自的終端，不需要上傳至集中式的服務(wù)器，同時，模型的訓(xùn)練過程是去中心化的，避免了隱私信息的泄露風(fēng)險。

　　聯(lián)邦推薦系統(tǒng)常用的算法有隱私保護矩陣分解和隱私保護因子分解機兩種。根據(jù)所面對的場景，推薦系統(tǒng)可分為跨設(shè)備和跨機構(gòu)兩類隱私保護推薦系統(tǒng)。跨設(shè)備的隱私保護推薦系統(tǒng)是指在不收集用戶原始隱私信息的前提下構(gòu)建推薦系統(tǒng);跨機構(gòu)的隱私保護推薦系統(tǒng)是指多個機構(gòu)已經(jīng)存儲了用戶的隱私信息，在保護各自數(shù)據(jù)隱私的前提下，協(xié)同構(gòu)建推薦系統(tǒng)的方法。由于政府的相關(guān)職能部門有必要存儲用戶的一些隱私信息，并且必須保護該信息的安全性，跨機構(gòu)的隱私保護推薦系統(tǒng)更加符合政務(wù)平臺的需求。因此，本文以跨機構(gòu)的隱私保護推薦系統(tǒng)為基礎(chǔ)，進行方法的探討。

　　以推薦系統(tǒng)在政務(wù)服務(wù)的相關(guān)事項應(yīng)用為例，為了提高用戶辦事效率與政府服務(wù)水平，通過聯(lián)邦學(xué)習(xí)獲取用戶在社會保障主題庫、醫(yī)療健康主題庫、人口基礎(chǔ)庫等的多維用戶標(biāo)簽信息，構(gòu)建政務(wù)服務(wù)用戶畫像，在推薦計算中結(jié)合用戶相關(guān)屬性進行精準推薦。

　　政務(wù)服務(wù)聯(lián)邦推薦過程大致包括以下步驟：

　　階段一：通過聯(lián)邦學(xué)習(xí)生成用戶畫像標(biāo)簽信息

　　1. 初始化政務(wù)大數(shù)據(jù)平臺(作為聚合服務(wù)器)的模型參數(shù)，并將模型訓(xùn)練任務(wù)發(fā)布到社會保障、醫(yī)療健康等涉及政務(wù)服務(wù)的所有專題數(shù)據(jù)倉和基礎(chǔ)庫相關(guān)的隱私計算節(jié)點(也稱參與方)等。

　　2. 各隱私節(jié)點通過本地數(shù)據(jù)倉或基礎(chǔ)庫數(shù)據(jù)進行本地模型訓(xùn)練。

　　3. 本地模型在訓(xùn)練后，通過安全協(xié)議將參數(shù)更新傳輸至聚合服務(wù)器，由聚合服務(wù)器執(zhí)行模型聚合計算，迭代生成新的全局模型參數(shù)。

　　4. 新的全局模型下發(fā)至各隱私計算節(jié)點。

　　持續(xù)進行上述步驟直至全局模型收斂，最終的訓(xùn)練結(jié)果就是全維度用戶畫像標(biāo)簽信息，為下一階段在推薦計算中結(jié)合用戶多維度屬性進行精準推薦奠定基礎(chǔ)。

　　階段二：通過本地模型進行推理預(yù)測

　　1. 根據(jù)用戶提交的登記身份信息和政務(wù)服務(wù)事項，分別獲取用戶畫像標(biāo)簽信息和用戶辦件信息。辦件信息決定相關(guān)的業(yè)務(wù)數(shù)據(jù)倉或基礎(chǔ)庫。

　　2. 從用戶相似度計算和政務(wù)服務(wù)事項相似度計算兩方面著手，選擇一種推薦模型，構(gòu)建政務(wù)服務(wù)辦理推薦特征矩陣，計算特征值。

　　3. 根據(jù)政務(wù)服務(wù)辦理特征值實現(xiàn)精準推薦。

　　3.3 隱私集合求交及聯(lián)邦推薦系統(tǒng)融合應(yīng)用探索

　　本文以聯(lián)邦推薦系統(tǒng)為技術(shù)支撐，對政務(wù)大數(shù)據(jù)平臺中的數(shù)據(jù)采集、分類分級、數(shù)據(jù)共享3項關(guān)鍵工作進行下一步探索：

　　數(shù)據(jù)采集階段：在一體化政務(wù)大數(shù)據(jù)平臺環(huán)境下，數(shù)據(jù)需求單位(如市人社局)向數(shù)源單位(如省人社廳)申請人口庫數(shù)據(jù)回流，雙方通過聯(lián)邦學(xué)習(xí)隱私集合求交技術(shù)獲取相同的數(shù)據(jù)，為避免數(shù)據(jù)冗余，該部分數(shù)據(jù)屏蔽，只取帶有該市標(biāo)簽的非已存數(shù)據(jù)回流。

　　分類分級階段：通過聯(lián)邦學(xué)習(xí)動態(tài)建立國家、省、市、區(qū)(縣)四級統(tǒng)一規(guī)范的分類分級標(biāo)準和模型，具體做法是服務(wù)器節(jié)點設(shè)置在國家級，省、市、區(qū)(縣)作為參與方，維護一體化分類分級指標(biāo)。某參與方在確定需回流數(shù)據(jù)后，對回流數(shù)據(jù)打上數(shù)源單位分類分級標(biāo)簽。數(shù)據(jù)申請方收到帶標(biāo)簽的數(shù)據(jù)，及時、高效、準確地進行數(shù)據(jù)分類分級和歸集數(shù)據(jù)。

　　數(shù)據(jù)共享階段：在國家一體化政務(wù)大數(shù)據(jù)平臺的基礎(chǔ)上，利用聯(lián)邦學(xué)習(xí)融合跨領(lǐng)域信息，構(gòu)建一體化聯(lián)邦推薦系統(tǒng)，有效緩解數(shù)據(jù)稀疏、數(shù)據(jù)泄露等問題。該系統(tǒng)通過聯(lián)邦推薦系統(tǒng)的隱私保護因子分解機算法，在確保數(shù)據(jù)隱私和模型隱私安全的前提下，解決不同政務(wù)部門(數(shù)源單位)之間的數(shù)據(jù)供需匹配問題，即對數(shù)據(jù)擁有單位及數(shù)據(jù)需求單位進行聯(lián)邦推薦建模，預(yù)測二者的供需匹配度，幫助數(shù)據(jù)需求單位精準、快速、安全地找到最佳數(shù)源單位，然后依托一體化政務(wù)大數(shù)據(jù)平臺進行數(shù)據(jù)高質(zhì)量共享。

　　一體化政務(wù)大數(shù)據(jù)平臺跨級聯(lián)邦推薦包括以下步驟：

　　1. 區(qū)縣級數(shù)據(jù)需求單位向本級政務(wù)大數(shù)據(jù)平臺提出數(shù)據(jù)共享申請。

　　2. 區(qū)縣級政務(wù)大數(shù)據(jù)平臺通過對本級社會保障、醫(yī)療保障等數(shù)據(jù)倉和基礎(chǔ)庫進行聯(lián)邦推薦，如果推薦數(shù)據(jù)達到預(yù)設(shè)可信閾值，直接反饋數(shù)據(jù);如果未達到預(yù)設(shè)可信閾值，向市級政務(wù)大數(shù)據(jù)平臺提出數(shù)據(jù)共享申請。

　　3. 市級政務(wù)大數(shù)據(jù)平臺通過對本級社會保障、醫(yī)療保障數(shù)據(jù)倉等進行聯(lián)邦推薦，如果推薦數(shù)據(jù)達到預(yù)設(shè)值，直接反饋數(shù)據(jù)給區(qū)縣級政務(wù)大數(shù)據(jù)平臺，如果未達到預(yù)設(shè)值，向省級政務(wù)大數(shù)據(jù)平臺提出數(shù)據(jù)共享申請。

　　4. 以此類推，直到推薦模型達到收斂。

　　聯(lián)邦聚合服務(wù)器將最終的推薦模型進行解密，并將其發(fā)送給所有數(shù)據(jù)擁有者進行模型共享。跨級聯(lián)邦推薦可以在保護數(shù)據(jù)隱私和安全的同時，提高推薦效果和準確性，適用于需要在不同級別的數(shù)據(jù)擁有者之間進行推薦模型訓(xùn)練和共享的場景。下一步深度結(jié)合人工智能技術(shù)，政務(wù)大數(shù)據(jù)平臺將從當(dāng)前的分析式共享數(shù)據(jù)轉(zhuǎn)變?yōu)樯墒焦蚕頂?shù)據(jù)，實現(xiàn)從數(shù)據(jù)導(dǎo)向向業(yè)務(wù)導(dǎo)向的變革。

　　3.4 應(yīng)用問題分析

　　目前，聯(lián)邦學(xué)習(xí)正處于快速發(fā)展的階段，有大量關(guān)于聯(lián)邦學(xué)習(xí)的應(yīng)用場景的研究與討論。相關(guān)研究表明，基于政務(wù)大數(shù)據(jù)平臺的聯(lián)邦學(xué)習(xí)還有很多問題亟待解決。

　　隱私保護問題：保證數(shù)據(jù)的隱私性是聯(lián)邦學(xué)習(xí)能快速落地的基石，同時也是聯(lián)邦學(xué)習(xí)的核心挑戰(zhàn)，政務(wù)大數(shù)據(jù)具備高可信和高價值特性，被網(wǎng)絡(luò)安全攻擊者普遍關(guān)注，因此，在政務(wù)大數(shù)據(jù)應(yīng)用中隱私安全尤為重要。但研究發(fā)現(xiàn)，聯(lián)邦學(xué)習(xí)架構(gòu)的隱私保護不足以完全防御外部隱私攻擊。具體來說，在模型訓(xùn)練和模型預(yù)測階段都可能泄露數(shù)據(jù)隱私，如在橫向聯(lián)邦學(xué)習(xí)中，梯度信息在未加保護的情況下會泄露隱私訓(xùn)練數(shù)據(jù)的信息。目前，聯(lián)邦學(xué)習(xí)的隱私保護主要采用差分隱私、同態(tài)加密、安全多方計算等隱私保護技術(shù)，并且在一些場景應(yīng)用中已取得了較好效果。聯(lián)邦學(xué)習(xí)系統(tǒng)需要持續(xù)增強對各類不良攻擊的防御能力，保障用戶數(shù)據(jù)的隱私。

　　通信效率問題：聯(lián)邦學(xué)習(xí)易受到參與方設(shè)備異構(gòu)、網(wǎng)絡(luò)帶寬等影響，導(dǎo)致其計算與通信效率成為阻礙相關(guān)應(yīng)用落地的最大挑戰(zhàn)。影響聯(lián)邦學(xué)習(xí)算法效率的主要因素是參與方與中央服務(wù)器之間需要交換大量模型和參數(shù)，會造成較大的通信開銷，因此網(wǎng)絡(luò)中的通信效率會對整體速度有較大的影響。比如不穩(wěn)定的網(wǎng)絡(luò)情況、參數(shù)上傳和下載的過程中速度不一致都會導(dǎo)致整個算法的模型訓(xùn)練成本過大。然而，政務(wù)大數(shù)據(jù)具有多樣性，包括結(jié)構(gòu)化數(shù)據(jù)(如數(shù)據(jù)庫、表格等)和非結(jié)構(gòu)化數(shù)據(jù)(如文檔、圖片、視頻等)，這些數(shù)據(jù)來自不同的政府部門，具有不同的格式和類型，對通信效率提出了更高要求。因此，開發(fā)通信效率高的方法就顯得尤為重要，通常可以從降低傳輸頻率和減少每輪傳輸?shù)男畔⒘康确矫嬷帧２糠謨?yōu)化以增加參與方的本地計算為代價，部分優(yōu)化以降低整個模型的準確性為代價。在實際優(yōu)化的過程中，可以根據(jù)實際情況和需求決定采用何種方式降低通信成本。

　　數(shù)據(jù)異構(gòu)難題：在聯(lián)邦學(xué)習(xí)中，訓(xùn)練數(shù)據(jù)可以分布在大量的客戶端上，比如手機、網(wǎng)絡(luò)傳感器或者各類邊緣設(shè)備，然后通過服務(wù)器聚合成完整的全局模型，而不用傳輸用戶數(shù)據(jù)，從而保護了用戶的隱私信息。然而，在政務(wù)大數(shù)據(jù)平臺聯(lián)邦學(xué)習(xí)的環(huán)境中，各個客戶端數(shù)據(jù)樣本量和樣本類別都處于變化之中，即數(shù)據(jù)分布的異構(gòu)性。由于參與聯(lián)邦學(xué)習(xí)的各個邊緣設(shè)備所處的實際物理環(huán)境不同，這些邊緣設(shè)備能為聯(lián)邦學(xué)習(xí)框架提供的數(shù)據(jù)各不相同，這種不同的數(shù)據(jù)分布會導(dǎo)致邊緣設(shè)備在本地訓(xùn)練過程中產(chǎn)生模型偏移，從而影響聯(lián)邦學(xué)習(xí)在政務(wù)大數(shù)據(jù)中的應(yīng)用成效，特別是使魯棒性較差的政務(wù)應(yīng)用難以落地。目前，大規(guī)模、分布式、多模態(tài)多源異構(gòu)數(shù)據(jù)采集應(yīng)用是聯(lián)邦學(xué)習(xí)的一項重點研究領(lǐng)域。

　　4 總結(jié)與展望

　　聯(lián)邦學(xué)習(xí)作為破解“數(shù)據(jù)孤島”問題實現(xiàn)隱私數(shù)據(jù)開放共享的新方向，近年來受到學(xué)術(shù)界和政界的廣泛關(guān)注。本文從政務(wù)大數(shù)據(jù)平臺建設(shè)的角度出發(fā)，概述了政務(wù)領(lǐng)域隱私數(shù)據(jù)采集、分類分級和共享面臨的挑戰(zhàn)，進而通過聯(lián)邦學(xué)習(xí)隱私集合求交技術(shù)和推薦系統(tǒng)進行相關(guān)應(yīng)用探索，并對相關(guān)問題進行了總結(jié)分析。

　　國家數(shù)據(jù)局的成立，將加速跨層級、跨地域、跨部門的國家一體化政務(wù)大數(shù)據(jù)平臺的構(gòu)建，統(tǒng)籌推進數(shù)據(jù)資源整合共享和開發(fā)利用，以盡可能低的成本交換和共享數(shù)據(jù)。通過強化數(shù)據(jù)治理，進一步提升數(shù)據(jù)鮮活度、準確性、實用價值，真正實現(xiàn)暢通的數(shù)據(jù)資源大循環(huán)，促進經(jīng)濟社會高質(zhì)量發(fā)展，是一個長期而具有挑戰(zhàn)性的課題。

　　政務(wù)大數(shù)據(jù)的安全性需持續(xù)增強。數(shù)據(jù)安全性和合規(guī)性是制約政務(wù)大數(shù)據(jù)平臺一體化、智能化的關(guān)鍵因素。如何在國家一體化政務(wù)大數(shù)據(jù)平臺的基礎(chǔ)上，健全國家、省、市、縣各級數(shù)據(jù)統(tǒng)籌管理機構(gòu)，推動公共數(shù)據(jù)匯聚整合和開發(fā)利用，是一個重要研究方向。其中，在安全合規(guī)的前提下，加快推進聯(lián)邦學(xué)習(xí)等隱私計算技術(shù)的場景應(yīng)用，實現(xiàn)四級聯(lián)動，其背后的數(shù)據(jù)安全工作值得深入研究。

　　政務(wù)大數(shù)據(jù)的跨域性需持續(xù)釋放。政務(wù)大數(shù)據(jù)涉及多個領(lǐng)域和部門，蘊含著豐富的信息和價值，可以幫助政府進行政策制定、資源配置、社會管理等方面的決策和優(yōu)化。通過聯(lián)邦學(xué)習(xí)賦能政務(wù)大數(shù)據(jù)平臺建設(shè)，可有效解決隱私數(shù)據(jù)跨地域、跨部門、跨層級、跨系統(tǒng)的整合和共享，為政府發(fā)現(xiàn)潛在的問題、趨勢和機會提供全面、精準的數(shù)據(jù)支持。

　　政務(wù)大數(shù)據(jù)的大規(guī)模性有助于大模型應(yīng)用研究。政務(wù)大數(shù)據(jù)通常擁有龐大的數(shù)據(jù)量，這些數(shù)據(jù)涵蓋了政府的各個方面，如人口數(shù)據(jù)、交通數(shù)據(jù)、醫(yī)療數(shù)據(jù)、環(huán)境數(shù)據(jù)等，聯(lián)邦學(xué)習(xí)等隱私計算技術(shù)打破了領(lǐng)域之間數(shù)據(jù)、算力、算法共享的壁壘。同時，在ChatGPT引發(fā)AI技術(shù)新一輪熱潮的背景下，數(shù)字政府的未來創(chuàng)新也與大模型分不開。下一步圍繞政務(wù)大數(shù)據(jù)的大模型應(yīng)用，如基于算力資源、算法模型、數(shù)據(jù)處理的超級任務(wù)場景等，都將是看得見的機遇。

　　參考文獻

　　[1] 國務(wù)院辦公廳. 關(guān)于印發(fā)全國一體化政務(wù)大數(shù)據(jù)體系建設(shè)指南的通知[Z]. 2022.

　　[2] 易成岐, 竇悅, 陳東, 等. 全國一體化大數(shù)據(jù)中心協(xié)同創(chuàng)新體系:總體框架與戰(zhàn)略價值[J]. 電子政務(wù), 2021(6): 2-10.

　　[3] 國務(wù)院. 關(guān)于印發(fā)促進大數(shù)據(jù)發(fā)展行動綱要的通知[Z]. 2015.

　　[4] 鄭諧維. 隱私計算在政務(wù)數(shù)據(jù)共享中的應(yīng)用[J]. 上海信息化, 2022(4): 17-21.

　　[5] 張聰叢, 郜潁潁, 趙暢, 等. 開放政府?dāng)?shù)據(jù)共享與使用中的隱私保護問題研究: 基于開放政府?dāng)?shù)據(jù)生命周期理論[J]. 電子政務(wù), 2018(9): 24-36.

　　[6] 李瀛, 楊芮. 我國政府?dāng)?shù)據(jù)開放的隱私保護困境及管理框架研究[J]. 情報雜志, 2023, 42(1): 152-157.

　　[7] KONE?NÝ J, MCMAHAN H B, YU F X, et al. Federated learning: strategies for improving communication efficiency[EB]. arXiv preprint, 2016, arXiv: 1610.05492.

　　[8] 楊強. AI與數(shù)據(jù)隱私保護:聯(lián)邦學(xué)習(xí)的破解之道[J]. 信息安全研究, 2019, 5(11): 961-965.

　　[9] YANG Q, LI U Y, CHEN T J, et al. Federated machine learning: concept and applications[J]. ACM Transactions on Intelligent Systems and Technology, 2019, 10(2): 1-19.

　　[10] LIU B Y, WANG L J, LIU M, et al. Federated imitation learning: a privacy considered imitation learning framework for cloud robotic systems with heterogeneous sensor data[EB]. arXiv preprint, 2019, arXiv: 1909.00895.

　　[11] GONG Y, JIANG Z W, FENG Y F, et al. EdgeRec: recommender system on edge in mobile Taobao[C]//Proceedings of the 29th ACM International Conference on Information & Knowledge Management. New York: ACM, 2020: 2477–2484.

　　[12] 王海燕. 抖音的算法推薦特點分析[J]. 新媒體研究, 2018, 4(20): 21-22.

　　[13] 李宗辰, 張頤, 葉東, 等. 運用聯(lián)邦學(xué)習(xí)技術(shù)推動公安大數(shù)據(jù)的融合運用[J]. 警察技術(shù), 2021(6): 34-37.

　　[14] 錢學(xué)勝, 吳寰宇, 陳誠, 等. 基于聯(lián)邦學(xué)習(xí)的新冠肺炎疫情跨區(qū)域智慧防控技術(shù): 以上海市實踐為例[J]. 科技導(dǎo)報, 2021, 39(24): 96-107.

　　[15] SHI D Y, TONG Y X, ZHOU Z M, et al. Learning to assign: towards fair task assignment in large-scale ride hailing[C]//Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining. New York: ACM, 2021: 3549–3557.

　　[16] 戴理朋, 楊鑫, 徐茹枝. 聯(lián)邦學(xué)習(xí)在電力數(shù)據(jù)分析中的應(yīng)用及隱私保護研究[J]. 電力信息與通信技術(shù), 2022, 20(11): 47-56.

　　[17] 劉雋良, 王月兵, 覃錦端, 等. 數(shù)據(jù)安全實踐指南[M]. 北京: 機械工業(yè)出版社, 2022: 42-82.

　　[18] 高磊, 趙章界, 林野麗, 等. 基于《數(shù)據(jù)安全法》的數(shù)據(jù)分類分級方法研究[J]. 信息安全研究, 2021, 7(10): 933-940.

　　[19] DECRISTOFARO E, TSUDIK G. Practical private set intersection protocols with linear complexity[C]//SION R. International Conference on Financial Cryptography and Data Security. Berlin: Springer, 2010: 143-159.

　　[20] PINKAS B, SCHNEIDER T, ZOHNER M. Faster private set intersection based on OT extension[C]//Proceedings of the 23rd USENIX conference on Security Symposium. New York: ACM, 2014: 797–812.

　　[21] 王力, 張秉晟, 陳超超. 隱私保護機器學(xué)習(xí)[M]. 北京: 電子工業(yè)出版社, 2021: 88.

　　[22] ADOMAVICIUS G, TUZHILIN A. Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions[J]. IEEE Transactions on Knowledge and Data Engineering, 2005, 17(6): 734-749.

　　[23] 朱智韜, 司世景, 王健宗, 等. 聯(lián)邦推薦系統(tǒng)綜述[J]. 大數(shù)據(jù), 2022, 8(4): 105-132.

　　[24] 梁鋒, 羊恩躍, 潘微科, 等. 基于聯(lián)邦學(xué)習(xí)的推薦系統(tǒng)綜述[J]. 中國科學(xué): 信息科學(xué), 2022, 52(5): 713-741.

　　[25] ZHANG Z Q, CHEN C C, ZHOU J, et al. An industrial-scale system for heterogeneous information card ranking in alipay[C]//Proceedings of the International Conference on Database Systems for Advanced Applications. Cham: Springer, 2018: 713-724.

　　[26] CHEN C C, ZHENG X L, WANG Y, et al. Context-aware collaborative topic regression with social matrix factorization for recommender systems[J]. Proceedings of the AAAI Conference on Artificial Intelligence, 2014, 28(1): 9-15.

　　[27] 仇阿根, 張用川, 羅寧, 等. 結(jié)合用戶特征的政務(wù)服務(wù)協(xié)同過濾推薦方法[J]. 集成技術(shù), 2023, 12(1): 42-55.

　　[28] 王健宗, 孔令煒, 黃章成, 等. 聯(lián)邦學(xué)習(xí)算法綜述[J]. 大數(shù)據(jù), 2020, 6(6): 64-82.

　　[29] 劉俊旭, 孟小峰. 機器學(xué)習(xí)的隱私保護研究綜述[J]. 計算機研究與發(fā)展, 2020, 57(2): 346-362.

　　[30] 陳凱, 楊強. 隱私計算[M]. 北京: 電子工業(yè)出版社, 2022: 130.

　　[31] 王騰, 霍崢, 黃亞鑫, 等. 聯(lián)邦學(xué)習(xí)中的隱私保護技術(shù)研究綜述[J]. 計算機應(yīng)用, 2023, 43(2): 437-449.

　　[32] 楊強, 童詠昕, 王晏晟, 等. 群體智能中的聯(lián)邦學(xué)習(xí)算法綜述[J]. 智能科學(xué)與技術(shù)學(xué)報, 2022, 4(1): 29-44.

　　[33] 邱鑫源, 葉澤聰, 崔翛龍, 等. 聯(lián)邦學(xué)習(xí)通信開銷研究綜述[J]. 計算機應(yīng)用, 2022, 42(2): 333-342.

　　[34] VARGHESE B, WANG N, BARBHUIYA S, et al. Challenges and opportunities in edge computing[C]//Proceedings of the 2016 IEEE International Conference on Smart Cloud (SmartCloud). Piscataway: IEEE Press, 2016: 20-26.

　　[35] HUANG W K, YE M, DU B. Learn from others and be yourself in heterogeneous federated learning[C]//Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway: IEEE Press, 2022: 10133-10143.

　　[36] VOGEL S T, HE L, KOLOSKOVA A, et al. RelaySum for decentralized deep learning on heterogeneous data[EB]. arXiv preprint, 2021, arXiv: 2110.04175.

　　[37] 黃聿辰, 趙彥超, 郝江山, 等. 面向數(shù)據(jù)異構(gòu)的聯(lián)邦學(xué)習(xí)性能優(yōu)化研究[J]. 小型微型計算機系統(tǒng), 2024, 45(4): 777-783.