这项技术是谷歌AI的New Sexy：利于隐私、节能环保，目前最大挑战是布道阐释

Reagan 发自 Yingke 量子位 报道 | 公众号 QbitAI

没错，正是Federated Learning，联邦学习。

这种谷歌于2017年打造的机器学习新形式，在2019年成为全球AI第一大厂频频强调的潮流、方向和未来。

联邦学习究竟有何神奇之处？

这么说吧，它的关键核心是AI训练数据可以保存在终端设备，是日益严峻的隐私数据问题的解决方案之一。

也是AI向前迈步的核心突破所在——用更少的数据做更好的模型，就像人类婴孩认知世界的过程一样，很小的学习量掌握大量的知识。

在今年谷歌AI的东京座谈会上，谷歌AI掌门人Jeff Dean也专门谈到了对联邦学习的重视和看好。

最近谷歌AI杰出科学家Blaise来到亚太，同样把联邦学习挂在嘴边。

他在谷歌AI所率领的团队，目标是研究端侧AI，推进更多终端设备上的机器学习使用。

但意料之外，Blaise说目前对于联邦学习最大的挑战，是如何以最佳方式对外阐释好它。

所以，不妨完整了解下Federated Learning究竟是什么，以及为何而生。

△Blaise Aguëra y Arcas

联邦学习是什么？

先从联邦学习的来龙去脉说起。

Federated Learning，也被翻译为“联合学习”——其实更能从技术上代表它的特点。

传统机器学习方法，需要把训练数据集中于某一台机器或是单个数据中心里。所以云服务巨头还建设了规模庞大的云计算基础设施，来对数据进行处理。

云端训练好模型，再推向终端应用，成为业内通行常见方法。

但这就带来了终端隐私数据的保护问题，而且一旦环节有漏洞或保护不力，隐私安全问题就很容易发生。

于是2017年，谷歌提出了完全基于移动设备数据来训练机器学习模型的方法：Federated Learning。

之所以“联合学习”更直接，是因为原理上，它能使多台智能手机以协作的形式，学习共享的预测模型。与此同时，所有的训练数据保存在终端设备。

工作原理可以分6步解释：

• 智能手机下载当前版本的模型；
• 通过学习本地数据来改进模型；
• 把对模型的改进，概括成一个比较小的专门更新；
• 该更新被加密发送到云端；
• 与其他用户的更新即时整合，作为对共享模型的改进；
• 所有的训练数据仍然在每名终端用户的设备中，个人更新不会在云端保存。

而且目前联邦学习的优点也非常明显：

• 更智能的模型；
• 低延迟；
• 低功耗；
• 保障用户隐私；
• 另外，在向共享模型提供更新之外，本地的改进模型可以即时使用，这能向用户提供个性化的使用体验。

举个例子。

目前谷歌可以拿来展示的是谷歌输入法Gboard。

应用联邦学习后，当Gboard显示推荐搜索项，不论用户是否最终点击了推荐项，智能手机会在本地存储相关信息。

联邦学习会对设备历史数据进行处理，然后对Gboard检索推荐模型提出改进。

整个过程与推荐算法很像，但模型更新先在本地发生，再到云端整合。

技术挑战有哪些？

谷歌表示，实现Federated Learning有许多算法、技术上的挑战，比方说：

在典型的机器学习系统中，超大型数据集会被平均分割到云端的多个服务器上，像随机梯度下降（SGD）这样的优化算法便运行于其上。

这类反复迭代的算法，与训练数据之间需要低延迟、高吞吐量的连接。而在联邦学习的情况下，数据以非常不平均的方式分布在数百万的移动设备上。

相比之下，智能手机的延迟更高、网络吞吐量更低，并且仅可在保证用户日常使用的前提下，断断续续地进行训练。

为解决这些带宽、延迟问题，谷歌开发出一套名为Federated Averaging的算法。

相比原生的联邦学习版本随机梯度下降，该算法对训练深度神经网络的通讯要求，要低10到100倍。

谷歌的核心思路，是利用智能移动设备的强大处理器来计算出更高质量的更新，而不仅仅是优化。

做一个好模型，高质量的更新会意味着迭代次数的减少。因此，模型训练能够减少通讯需求。

由于上行速度一般比下行速度慢很多，谷歌还开发了一种比较新奇的方式，将上行通讯需求再次减少的 100 倍之多：使用随机rotation和quantization来压缩更新。

虽然这些解决方案聚焦于训练深度网络，谷歌还设计了一个针对高维稀疏convex模型的算法，特别擅长点击率预测等问题。

在数百万不同的智能手机上部署联邦学习，需要非常复杂的技术整合。

设备本地的模型训练，使用的是迷你版的 TensorFlow。非常细致的 scheduling 系统，保证只有用户手机闲置、插着电、有 Wi-Fi 时才训练模型。所以在智能手机的日常使用中，联邦学习并不会影响性能。

谷歌强调，联邦学习不会在用户体验上做任何妥协。保证了此前提，用户手机才会加入联邦学习。

然后，该系统需要以安全、高效、可扩展、可容错的方式对模型更新进行整合。

联邦学习不需要在云端存储用户数据。但为避免用户隐私泄露，谷歌更进一步，开发了一个名为Secure Aggregation、使用加密技术的协议。由于此草案，系统服务器只能够解码至少100或1000名用户参与的平均更新。在整合以前，用户的个体更新不能被查看。

这是世界上第一个此类协议，对于深度网络层级的问题以及现实通讯瓶颈具有使用价值。

谷歌表示，设计 Federated Averaging，是为了让服务器只需要整合后的更新，让 Secure Aggregation 能够派上用场。

另外，该草案具有通用潜力，能够应用于其他问题。谷歌正在加紧研发该协议产品级的应用执行。

谷歌表示，联邦学习的潜力十分巨大，现在只不过探索了它的皮毛。

但它无法用来处理所有的机器学习问题。对于许多其他模型，必需的训练数据已经存在云端 （比如训练 Gmail 的垃圾邮件过滤器）。

因此，谷歌表示会继续探索基于云计算的机器学习，但同时“下定决心”不断拓展联邦学习的功能。

目前，在谷歌输入法的搜索推荐之外，谷歌希望根据手机输入习惯改进语言模型；以及根据图片浏览数据改进图片排列。

对联邦学习进行应用，需要机器学习开发者采用新的开发工具以及全新思路——从模型开发、训练一直到模型评估。

最大挑战是认知

最后，谷歌AI杰出科学家Blaise也强调，联邦学习目前的最大挑战，其实更多在于认知：如何把这个技术向大众解释清楚，并且让更多人参与其中。

而且5G等基础设施普及，会加快带宽和数据传输速度，但对联邦学习并不“有利”。

因为这容易让人们忽略数据留在终端的重要意义。

我个人的想法信念，就是我们应该尽量地在数据所在，产生和存储的这个地方来进行做人工智能，而不是把大量的数据传出去。

Blaise说，这不光是隐私的问题，还有生态环保的问题。

因为数据的传输消耗大量的能源，如果规模数量庞大的设备都能完成体系内的数据存储和训练，对于降低能耗也助益良多。

总之，这位谷歌AI杰出科学家鼓励AI从业者多用、多关注，并找到更好布道的方式方法。

至于怎么用起来？↓↓↓

传送门

今年3月，谷歌也推出了TensorFlow Federated (TFF)开源框架，用于对分散式数据进行机器学习和其他计算。

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。相关教程如下，感兴趣的话现在就能亲自试用！

GitHub：

https://github.com/tensorflow/federated/blob/v0.7.0/docs/tutorials/federated_learning_for_image_classification.ipynb

FL API链接：

https://www.tensorflow.org/federated/federated_learning

FC API：

https://www.tensorflow.org/federated/federated_core

教程：

https://www.tensorflow.org/federated/tutorials/federated_learning_for_image_classification

— 完 —