请问一下，机器学习领域的联邦学习技术，目前看到最多的是微众银行，国内还有哪些顶级专家及机构和大学？ 第1页

有很多，但除了微众、阿里以外，别的机构都是拿开源的框架应用起来，谈不上研发。商业市场上这无可厚非，如果题主是被导师捉去做联邦学习选题的话建议看微众的FATE，下面简要讲几个联邦学习技术的入场玩家。

平安科技

平安科技在联邦学习这块，业务上的应用很全面。讲讲“蜂巢”，由平安科技“开发”的一个联邦学习平台。除了常规的功能之外，蜂巢平台能够支持更多的深度学习框架。蜂巢宣称可实现的有：提供基于联邦学习的医疗影像数据平台、扩接融合用户特征与个性推荐系统和动态车险定价模型系统等。

主要特性，支持多种深度学习框架，如TensorFlow，Keras，Pytorch，MXNet等。

谷歌

谷歌虽然不是国内的，不过作为首个提出联邦学习概念人，不得不提一嘴。TensorFlow
Federated (TFF) 是一个开源框架，用于对分散式数据进行机器学习和其他计算。我们开发 TFF 是为了促进联合学习 (FL) 的开放研究和实验，FL 是一种机器学习方法，使我们能够跨多个参与客户端训练共享全局模型，并将训练数据保存在本地。例如，FL 已被用于训练手机键盘的预测模型，但不会将敏感的输入数据上传到服务器。

开发者可以利用借助 TFF 对其模型和数据模拟所包含的联合学习算法，以及实验新算法。TFF 提供的构建块也可用于实现非学习计算，例如对分散式数据进行聚合分析。

借助 TFF，开发者能够以声明方式表达联合计算，从而将它们部署到不同的运行时环境中。TFF 包含一个用于实验的单机模拟运行时。

百度安全

MesaTEE泛在安全计算平台让隐私保护的大数据分析以及机器学习成为可能，实现“计算皆可上云”，打破数据孤岛，让大数据在保护隐私的前提下发挥最大价值。除了兼容当前主流的大数据和AI框架，MesaTEE能支持Intel SGX/AMD SEV/ARM TrustZone/Risc-V等诸多平台，也能提供无硬件支持的高对抗可靠执行环境，可应用于广泛的场景。

主要特性，可信执行、安全性远程验证、强化内存安全、安全节点不可绕过、FaaS服务、端到端加密。

最后来讲下目前我比较感兴趣的两家：

微众银行

如题主所说，微众确实在国内把联邦学习经营的不错。上文提到的FATE，就是是他们开源的一个联邦学习框架，这个安全的计算框架是其打算用来构建联邦学习（人工智能）生态用的。目前来看，它支持实现多个计算协议的兼容，以及类似欧洲GDPR之类的隐私方案要求下的合规化。采用的可拓展模块化工程思维，使得建模可以“流水线式”，提供可视化、调度系统等拓展包，较易上手，性能也非常出色。

主要特性，支持多方安全计算模式下的逻辑回归、BoostingTree，深度学习等多种机器学习算法，同时提供加密方式，支持同态加密、秘密共享和哈希散列等多方安全计算机制。

FATE目前的落地应用方案较多，车险、智慧城市、金融风控、智慧零售等都有运作中的方案，也听闻有些高校导师直接点名做这个研究方向。

github链接：https://github.com/FederatedAI/FATE

阿里（蚂蚁金服）

蚂蚁金服其实不算是“联邦学习”，而是称为“共享机器学习”，但因为逻辑以及目标是一致的，所以放进来也讲讲。共享机器学习（Shared Machine Learning）的定义：在多方参与且各数据提供方与平台方互不信任的场景下，能够聚合多方信息并保护参与方数据隐私的学习范式。

主要特性，对比其他的方案兼容更多的安全计算技术，与联邦学习最大的差异在于数据是流出本地的，通过兼容更多的加密技术来保证其安全性。

共享机器学习弊端额多，例如在实践层面，传输数据的通讯是一笔挺大的开销，尤其是加密数据的通讯吃的带宽成本很可观。而TEE技术(Trusted Execution Enviroment 可信执行环境)受限制的也很多，例如能够支撑的算力合存储空间都非常受限，很难适应深度学习的需求、不支持GPU等问题，更要命的是目前云端可用的TEE只有Intel一家供应商，某为的事件之后，这样的“垄断”就很值得警惕了。

而理论层面，逻辑上只要是数据有离开本地的行为，是存在泄密风险的，毕竟没有无法破解的加密。例如你能保证自身的环境安全，你保证的了可信执行的第三方安全吗？

以上，是几家大厂对联邦学习的布局，认识的有些导师是有点名要求研究方向选联邦学习，但未在官方渠道公布，所以这些科研机构就不写进来了。