刘洋表示，经过长期接触后，对FATE的逻辑回归和XGBoost算法流十分认同，因此也开始加入FATE开源社区建设，提出了优化建议——利用对称的仿射密码替代Paillier密码，将训练时间提升70%以上，从而给同态运算“减负”。未来合作企业在应用优化过后的FATE版本时，可以有效降低数据运算的时间成本，提升企业在AI时代的技术竞争能力。

 

行业负重前行 数据安全迫在眉睫

 

AI应用场景中，将多方数据中心式合并处理的传统合作方式，存在着严重的隐私泄露问题，这一症结甚至成为了企业大规模应用AI的关键阻碍。

 

在刘洋看来，破局关键仍在于数据安全问题的解决，即数据privacy和utility的折衷问题。具体来说，数据要想安全的从孤岛分享出去，必须经历某些“蒙面”操作：通过密码学工具将有效数据转换成乱码，privacy保住了，但密钥在谁手中，极大的影响数据的utility；用噪声混淆原始数据也可以，例如差分隐私，噪声越大，越保证privacy，但使用者拿到数据发挥的utility越低。怎样在privacy和utility中寻求一条折衷之路，是数据安全流通的关键问题之一。

 

未来理想的状态是，任何数据使用者能够在自由流动和聚合的分布式数据之上，进行高效的数据挖掘操作，而丝毫感觉不到隐私保护的羁绊。在MPC（Multi-party Computation，多方安全计算）领域，目前行业还停留在混淆电路、可信计算等解决方案，虽然支持的计算任务具有一般性，但需要额外的硬件支持，学习成本较高，阻碍了规模化应用的同时，也不利于安全数据联盟的形成。

 

而联邦学习在具有普适性的联邦框架中，针对每一种或每一类机器学习算法进行订制化的隐私保护改造，使它们的使用无异于经典的中心式机器学习模型。相比之下，联邦学习在稳住成本的基础上，确保了易用性。刘洋称，对于企业而言，联邦学习提供的解决方案更具吸引力；对于行业而言，更便捷的操作将吸引更多开发人员的投入，从而推进安全数据联盟的构建。

 

FATE生态×腾讯云 数据安全未来可期

 

今年5月初起，FATE和腾讯云神盾沙箱就开始进行业务往来和技术交流，目前神盾沙箱的核心计算模块由FATE提供。在搭建平台过程中，双方紧密合作。刘洋在采访中表示，团队在使用FATE框架、算法时，会将有效建议贡献到FATE开源项目中，参与开源社区建设。