9月9日消息，今年，360數科進一步推動隱私數據保護領域研究，提出分割式神經網絡技術框架（Spilt Neural Network），并通過自主研發(fā)的一套系統(tǒng)實現(xiàn)算法落地。

隱私數據項目主要牽頭人、360數科隱私保護研究院院長沈赟博士表示，“我們一直以來都在做一些技術上的創(chuàng)新。在隱私數據保護領域，使用神經網絡算法更加靈活，可以把不同類型數據提取出來，在統(tǒng)一架構下去學習，效率上能夠大幅提升。”

據介紹，與傳統(tǒng)聯(lián)邦學習不同的是，分割式神經網絡技術框架輸出層數據的維度遠小于原始輸入層的維度，即使輸出層的數據沒有加密也無法反推原始輸入層的數據，從而在框架設計上杜絕了數據泄露的問題。由于輸出層數據的維度較小，也可以大幅降低服務器端的計算量與內存使用量，減少網絡傳輸量，降低對帶寬的要求。

同時，與聯(lián)邦學習類似，分割式神經網絡技術框架不需要上傳任何原始數據。在使用原始數據或者上傳輸出層結果前，可以使用各種加密方式進行加密，從而保障了隱私數據安全。

與聯(lián)邦學習的不同之處在于，該框架下每個參與學習的客戶端各自部署自身的子神經網絡，學習后的參數并不需要共享給服務器。每個客戶端只需要把最頂層輸出層的數據回傳給服務器，之后服務器綜合各個客戶端的結果再由各客戶端各自進行更新迭代。

360數科方面表示，由于網絡是分裂部署在各客戶端上，它們自身的結構并不與其他各方共享，且自身的權重也不需要與服務器交互，因此可以解決聯(lián)邦學習中龐大的深度網絡帶來的服務器與客戶端之間大量數據交互帶來的網絡傳輸壓力。

據悉，目前，該框架主要滿足360數科在與合作方進行數據交互時的需求。未來，在360數科對外輸出風控能力的過程中，隱私計算也將作為技術輸出的一部分，作為綜合解決方案從底層解決數據安全問題。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現(xiàn)的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。