5G的出现将如何影响联合学习？

本篇文章1405字，读完约4分钟

随着世界各地的开发团队竞相开发人工智能工具，在边缘设备上训练算法变得越来越普遍。联合学习是分布式机器学习的一个子集，是一种相对较新的方法，它允许企业在不直接访问原始数据的情况下改进人工智能工具。

联合学习是由谷歌在2017年提出的。这是一个分散的学习模型，通过它可以在边缘设备上训练算法。关于谷歌的“设备上的机器学习”方法，这个搜索巨头将其预测文本算法推给安卓设备，汇总数据，并将新知识的汇总发送回中央服务器。为了保护数据的完整性，这些数据通过同态加密或差分隐私进行传输，这是一种给数据添加噪声以掩盖结果的方法。

一般来说，通过联合学习，人工智能算法可以在不识别任何单个用户的特定数据的情况下进行训练。事实上，原始数据从未离开设备本身。仅返回聚合模型更新。这些模型更新在传送到中央服务器后被解密。然后，更新模型的测试版本被发送回选定的设备，并且在重复这个过程数千次之后，ai算法被显著改进，而不会危及用户的隐私。

预计这项技术将在医疗保健领域掀起波澜。例如，医学初创公司owkin目前正在探索联合学习。为了利用来自多个医疗机构的患者数据，owkin使用联合学习来使用来自不同医院的数据构建人工智能算法。这可能会产生深远的影响，特别是在保持患者数据完整性和遵守hipaa法规的前提下，医院之间共享疾病进展数据非常有价值。它绝不是唯一采用这项技术的医疗行业。自动驾驶汽车公司、智能城市、无人驾驶飞机和金融技术组织将越来越多地使用联合学习。其他联合学习初创公司也将上市，包括snips、s20.ai和最近被苹果收购的xnor.ai。

潜在问题

中间人攻击

鉴于这些人工智能算法值得大量投资，预计这些模型将成为网络攻击者的目标。那些邪恶的人会试图进行中间人攻击。但是，如前所述，通过添加噪音和聚合来自各种设备的数据，然后对聚合的数据进行加密，企业可能会使网络攻击者难以得逞。

模型中毒

或许更令人担忧的是毒害模型本身的攻击。可以想象，网络攻击者可以通过他们自己的设备或通过接管网络上其他用户的设备来破坏模型。具有讽刺意味的是，由于联合学习从不同的设备收集数据，并将加密的摘要发送回中央服务器，从后门进入的网络攻击者在一定程度上被掩盖了。因此，即使不是不可能，也很难确定异常的位置。

带宽和处理限制

尽管在设备上的机器学习可以有效地训练算法而不暴露原始数据，但它确实需要大量的本地函数和内存。企业试图通过仅在设备空空闲、充电或连接到wi-fi时在边缘训练他们的ai算法来避免这个问题；然而，这是一个永恒的挑战。

5g的影响

随着5g的全球扩张，边缘设备将不再受带宽和处理速度的限制。根据诺基亚最近的一份报告，4g基站每平方公里可以支持10万台设备。即将推出的5g工作站将在同一地区支持多达100万台设备。凭借增强的移动宽带和低延迟，5g将在促进设备间通信(d2d)的同时提高能效。事实上，预计5g将带来10-100倍的带宽增加和5-10倍的等待时间减少。

随着5g的普及，我们将会经历更快的网络、更多的端点和更大的攻击区域，这可能会吸引大量的ddos攻击。此外，5g具有切片功能，可根据用户需求轻松创建、修改和删除切片(虚拟网络)。根据5g破坏力的研究手稿，网络切片组件能否减轻潜在的安全隐患或带来许多新的问题还有待观察。

总之，从隐私和安全的角度来看，有新的问题；然而，事实仍然存在:5g最终将成为联合学习的福音。