【安防展览网 焦点新闻】联邦制，即是联邦成员把各自的部分权力让渡给联邦政府，同时又保留了部分管理内部事务的权力。这一制度与人工智能时代的安防有什么关系？
当前，数据孤岛和数据安全问题是智慧安防发展的阻碍，这两个问题应该如何解决，近两年也提出了许多方法，比如联邦学习。联邦学习就像联邦制度一样，各终端设备既与中央服务器连接，又能保护自身原始数据，从而在打破数据孤岛的同时保障自身数据的安全性。近年来，联邦学习广为产学各界重视，构成了一种代表性的解题方案。
什么是联邦学习？
在联邦学习框架中，中央服务器保存初始化可共享的全局数据，各终端设备保存本地数据，并根据本地数据训练本地机器学习模型。
其中，终端设备向中央服务器传输模型参数等数据，但不会传输完整的客户端原始数据。因此，在各终端设备数据特征对齐的前提下，联邦学习的全局模型能够获得与数据集中式存储相同的建模效果，有效解决了两方或多方数据使用实体在不贡献出数据的情况下的数据共同使用问题，解决了数据孤岛问题。
联邦学习有何应用？
上述优势使得联邦学习十分适用于B2B和B2C业务，在
智慧城市、智慧金融等多个领域均有应用。
以智慧城市为例，四处分散的
摄像头可以帮助监控违规行为，也可以收集交通状况等数据，这些场景中，单个摄像头储存的标签数据较少且无法及时反馈做标注工作。针对这一问题，常规的做法是将各终端的数据上传至云端，但这样会导致延迟和数据分散问题。而利用联邦学习，各终端可以联合建模，在本地进行数据标注和模型更新。
数据隐私保护的典型场景则是征信体系的建设。目前各政府机关的信息系统或数据平台积累了大量数据，建设征信体系时，需要联合政府和大型企业的数据，联邦学习可以在政府与企业间共同建模，维护这些数据的保密性。
物联网时代，打破数据孤岛是当务之急，而联邦学习可以发挥“群体智能”的力量，为解决数据孤岛提供思路。
联邦学习的出现已经开始改变大数据在各行各业的应用方式，联邦大数据生态的构建也离不开学界和产业界的共同探索和推动，包括安防行业在内的使用联邦学习技术的各方应当携手，联合制定数据联邦行业规范，促成多方联邦数据协议，达成标准化、协同化、规范化的联邦学习环境。
结语：我们似乎可以从联邦学习应运而生的现实问题，以及其发展思路中，共同探讨这样一个问题：智慧安防，乃至智慧城市，距离我们究竟有多远？若希望拉进这个距离，目前有哪些急需开展的工作？从这个角度思考，我们或许会发现，联邦学习是一个新的产业机遇。
我要评论
所有评论仅代表网友意见，与本站立场无关。