同盾为什么要提“知识联邦”这一概念？

1. 同盾为什么要提“知识联邦”这一概念？

数据、算法和算力三要素构成了人工智能2.0时代的基础设施，但现实世界中，人工智能所需的数据，大多都会以“数据孤岛”的方式分布。
与此同时，随着数据正式被中央认定为新型生产要素，这势必会对隐私与安全提出更高、更严格的规范。
但无论是隐私、数据泄露的问题，还是可能引发的数据垄断问题，其症结都在于传统深度学习下数据的集中处理模式。
为了平衡数据隐私和数据价值挖掘的问题，同盾科技提出了一整套“知识联邦”理论框架体系，支持从信息层、模型层、认知层和知识层四个层级进行联邦，以实现数据可用不可见，这样就打破了参与方的数据壁垒，充分利用各参与方的数据，同时又可以保证数据不离开参与方来保护数据隐私。

2. 同盾科技的知识联邦有哪些优势？

其主要优势是有两点。
第一是全样本触达。联邦后机构间的数据是分而治之，各自为数据所有者控制，每个节点上的数据相对只是小数据，但是由于可以触达更多的数据，其性能甚至会超越维度有限数据的中心化聚集方式。
第二是数据不动模型动。联邦后的原始数据保留在本地，计算和学习也发生在本地，中心节点仅对参与方模型知识进行安全的聚集。弱中心化模式达成了效率和安全之间的平衡，这种模式尤其适合在强监管行业应用，有助于监管部门开展合规监管工作。

3. 同盾科技的“知识联邦”具有哪些优势？

简单来讲，知识联邦连通了每个数据孤岛所属的机构——“数据邦国”，机构之间会通过一种协议联合起来，共同参与组成一个整体作为联邦机构，所有参与成员共同赋予联邦机构一定的权利由其统一行使。

其主要优势是：

1、全样本触达。联邦后机构间的数据是分而治之，各自为数据所有者控制，每个节点上的数据相对只是小数据

2、数据不动模型动。联邦后的原始数据保留在本地，计算和学习也发生在本地，中心节点仅对参与方模型知识进行安全的聚集。弱中心化模式达成了效率和安全之间的平衡

4. 联邦学习是什么？有什么用？

如问题所说，联邦学习是机器学习的一个研究分支，最早是16年由谷歌提出来的，原本用于解决安卓手机终端用户在本地更新模型的问题，其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算结点之间开展高效率的机器学习。
人工智能的发展离不开大数据，但在当前，数据安全也成了人工智能前进道路上的一种桎梏，目前是没有一个机构能够掌握全面的数据，数据使用方需要向多个机构获取多维度数据，而各个机构又不愿透露过多的数据给数据使用方，敏感隐私数据难以商业化的现象，加剧了人工智能企业可用数据匮乏的问题。而联邦学习的具体作用，就是在保证数据安全的基础上，实现跨企业跨组织之间的大数据合作。

5. 如何评价同盾科技提出的知识联邦？

知识联邦是将散落在不同机构或个人的数据联合起来转换成有价值的知识，同时在联合过程中采用安全协议来保护数据隐私。
知识联邦不是一种单一的技术方法，它是一套统一的层次化理论框架体系，包括信息层、模型层、认知层和知识层，支持安全多方检索、安全多方计算、安全多方学习、安全多方推理等多种联邦应用。