基于聯邦學習的學生綜合素養評價數據共享與安全保護研究 *

郭利明，朱遷踏，鄭勤華①，王懷波

(1.北京師范大學 遠程教育研究中心，北京 100875；2.北京師范大學 基礎教育大數據應用研究院，北京 100875；3.北京師范大學 系統科學學院，北京 100875)

一、引言

學生綜合素養是學生綜合素質和核心素養的有機融合[1]，開展學生綜合素養評價是破解教育評價實踐中“卡脖子”問題的關鍵。智能時代，開展學生綜合素養評價離不開海量數據的支持。當下，表征學生綜合素養的數據來源于學校、家庭、社區以及科技館等典型場域，分布在諸如綜合素質評價系統、教育科技企業自建平臺以及科技館自建系統等不同的信息化系統或平臺上，然而各信息化系統或平臺之間尚打通，加之考慮數據安全等原因，數據孤島現象仍然存在，影響數據的獲取與使用。盡管數據采集、匯聚等智能技術的發展能夠一定程度上解決此問題，但是《中華人民共和國個人信息保護法》(簡稱《個人信息保護法》)《中華人民共和國數據安全法》(簡稱《數據安全法》)的頒布實施，對學生綜合素養評價過程中數據共享與數據安全提出了更高、更嚴格的要求。

學生綜合素養評價是一項復雜的工程，數據擁有者既涉及教育系統內部，又涉及教育系統外部。在數據安全保護意識愈發強烈，數據信任體系尚未形成的情況下，如何在不損害各數據擁有者利益、確保數據傳輸和存儲安全的同時，又能夠完成數據分析，將數據用于開展學生綜合素養評價工作是一個非常關鍵并值得思考的問題。簡而言之，迫切需要尋找一種機制，在遵守《個人信息保護法》《數據安全法》的同時，打破數據孤島，完成數據匯聚，服務于學生綜合素養評價。聯邦學習(Federated Learning)是人工智能領域的一種前沿技術，由于其在分布式數據集的場景下構建機器學習模型時不交換數據擁有者的原始數據，而只是通過加密方式共享模型特征信息，因此它能夠打破現存意義上的數據孤島，并且在保護用戶個人隱私的前提下，有效交換數據用于模型構建，進而發揮出數據的最大價值[2]，目前在金融、醫療、智能終端以及計算機視覺等領域得到了初步的應用。理論與技術雙向驅動的學生綜合素養評價新范式指出，學生綜合素養評價是一個“模型構建、數據采集、數據智能分析、評價應用”的循環迭代過程[3]。借鑒聯邦學習技術在其他領域的應用經驗以及在教育領域的理論探討[4]，本研究旨在闡釋如何基于聯邦學習技術解決學生綜合素養評價中數據難共享、隱私易泄露等問題，實現現實環境下學生綜合素養評價建模的數據可信計算，做到“數據不動模型動”，期望能為教育領域數據共享與數據安全保護提供新的解決思路。

二、學生綜合素養評價數據共享及安全問題與聯邦學習

(一)學生綜合素養評價數據共享及安全問題

開展學生綜合素養評價對于我國人才培養方式轉變、考試招生改革、學生全面發展等具有重要的促進作用。但必須面對的事實是當前數據孤島依然存在、學生個人隱私尚未能夠得到有效保護是學生綜合素養評價面臨的關鍵問題，亟需得到解決。

1.數據難共享

數據對于智能時代開展學生綜合素養評價的重要性不言而喻。當前能夠反映學生綜合素養的數據不僅多樣，如思想品德數據、體質健康數據、藝術素養數據、學業測評數據、在線學習數據、家庭自主學習數據、科學實踐活動數據、學生學籍數據、公開數據集等，而且多源，如來源于區域綜合素質評價系統、學校教育信息化平臺、教育質量監測平臺、網絡學習空間平臺、學生學籍管理平臺、科技場館活動系統、社區活動系統、教育科技企業平臺以及國家統計局等公開數據平臺等，然而由于數據天然的獨立分布、數據開放共享的安全風險、數據標準不統一等原因，這些多源多維多模態的數據無法匯聚，而是分布式存儲在多個系統或平臺上。雖然國家也曾多次出臺政策文件大力推進教育領域數據匯聚共享[5][6]，但是進展緩慢，數據孤島現象仍然并將長期存在，導致想要對學生綜合素養評價的數據進行匯聚，進而開展深入挖掘分析與建模的困難增大。

2.隱私易泄露

開展學生綜合素養評價，每個數據擁有者都存有表征學生綜合素養的諸多數據，甚至包括學生的個人隱私數據，如姓名、出生日期、身份證件號碼、生物識別信息、住址、電話號碼、電子郵箱、健康信息、行蹤信息等。倘若這些隱私數據沒有得到很好的保護，后果將不堪設想。此前，in Bloom公司、Piazza互聯網教育軟件公司、Edmodo學習網站就因學習者隱私數據泄露而帶來諸多負面影響，引發社會的廣泛關注[7]。在當前可信安全環境尚未完全建立起來的情況下開展學生綜合素養評價，有關學生的個人隱私數據在傳輸、存儲以及使用等方面極易發生泄露。因為傳統的隱私保護技術、策略已經難以為繼[8]。即便數據經過模糊化、匿名化等脫敏、加密等操作，但是在點對點傳輸、點到中心傳輸、中心訪問以及不同范圍使用過程中仍有被解密、被攻擊的可能。雖然單點、碎片化的數據經過脫敏技術能夠模糊化反映學生個人隱私的信息，但是一旦海量相似數據匯聚一起后學生的“廬山真面目”依舊可以在技術的支持下毫無保留地推斷出來[9]。

綜上，智能時代的學生綜合素養評價，亟需考慮數據孤島與隱私泄露并存的問題，需要采用新的技術作為二者連接的橋梁(在有效、便捷使用數據的過程中保護數據安全)，進而提升學生綜合素養評價數據共享與安全保護的可靠性。

(二)聯邦學習的技術原理及核心技術優勢

1.聯邦學習及其技術原理

為解決各行各業由于各種因素造成的數據孤島以及保護數據安全，2016年，谷歌首次提出聯邦學習理論，它是一種新興的機器學習方法。其核心思想是：在分布式數據集的場景下開展機器學習的過程中，各數據擁有者無需共享原始數據，而是交換諸如參數、梯度等模型特征信息來進行聯合建模，即在數據不出本地的情況下，進行數據聯合訓練，建立共享的機器學習模型[10]。一般而言，可以表示為：設有N位數據擁有者{P1,P2,P3……PN}，其本地數據集為{D1,D2,D3……DN}。傳統的機器學習方法是將所有的數據{D1,D2,D3……DN}先存儲在云端服務器或者數據中心，再使用匯聚后的數據進行模型訓練得到一個機器學習模型MSUM。在傳統的機器學習方法中，任何一位數據擁有者PN會將自己的原始數據DN暴露給服務器甚至其他數據擁有者。而在聯邦學習中，每一位數據擁有者PN在中央協調方的協調下于本地訓練初始全局模型MFED、計算模型特征信息wN，并以加密方式將模型特征信息wN返回中央協調方形成模型特征信息集合{w1,w2,w3……wN}，最終由中央協調方對模型特征信息進行解密整合為新的全局模型MFED，再將模型加密發送回各數據擁有者進行下一輪訓練，直至聯邦學習模型MFED收斂、達到最大迭代次數或者達到最長訓練時間。在聯邦學習方法中，任何一位數據擁有者PN不會將自己的原始數據DN暴露給中央服務器及其他數據擁有者，而只是共享加密后的模型參數。設VSUM和VFED分別表示集中模型MSUM和聯邦模型MFED的性能量度(如準確率、召回率、F1分數等)，則存在一個非負實數δ，滿足：

式中表明使用聯邦學習在分布式數據源上構建機器學習模型的性能與使用傳統方法在集中式數據源上構建機器學習模型的性能接近[11]。

聯邦學習通過迭代訓練運算方式實現“數據可用不可見”“數據不出門”，解決傳統機器學習中心化依賴、數據隱私保護的問題，同時可引入更多組織或機構的數據加入，整體上提升模型質量。根據數據擁有者參與訓練的不同數據特征的差異，聯邦學習可以分為橫向聯邦學習、縱向聯邦學習和聯邦遷移學習。橫向聯邦學習適用于數據擁有者的數據特征重疊較多而其樣本重疊較少的場景，縱向聯邦學習適用于數據擁有者的樣本重疊較多而其數據的特征重疊較少的場景，聯邦遷移學習適用于數據擁有者的數據特征及其樣本重疊很少的場景[12]，具體如圖1所示。

圖1 聯邦學習應用場景分類

2.聯邦學習的核心技術優勢

第一，原始數據不出本地。聯邦學習的核心優勢是原始數據無需匯聚在云端服務器或者數據中心，而是保留在本地，在本地開展模型訓練與模型參數、梯度信息計算，進而將計算后的參數、梯度信息上傳至可信的中央協調方。通過此種方式有效共享數據，能夠打破數據孤島；并且，在原始數據不相互流轉的情況下還能夠更好地保障數據安全。

第二，多方協作構建模型。聯邦學習模型訓練過程中是有兩個或者兩個以上的數據擁有者共同參與、協作構建一個共享的機器學習模型，并且可以在身份經過認證的情況下隨時加入與退出。隨著多方數據擁有者參與得越多越深入，模型構建會更加準確，遠比單一方面力量構建模型更加省時、省力，更加靈活。

第三，模型特征信息加密傳輸。在聯邦學習模型訓練過程中，由于像模型參數、梯度信息等模型特征信息在更新時有時會包含用戶的隱私信息，容易受到推理攻擊，因此在傳輸過程中都會經過加密處理等操作來保護隱私[13]。在聯邦學習中常用的隱私保護技術有安全多方計算、同態加密以及差分隱私。其中，安全多方計算與同態加密屬于加密類方法，主要是將明文編碼為密文的形式，只允許特定的人員解密；差分隱私屬于數據擾動類方法，主要是在數據庫中添加隨機化噪聲，使得數據庫中的用戶信息混淆，進而保證敵手無法根據輸出的不同推測用戶敏感信息。

綜上所述，在智能時代的學生綜合素養評價中，若要解決數據共享與數據安全問題，可以充分發揮聯邦學習的技術優勢，以此作為連接現存數據孤島與隱私保護的橋梁，進而實現以下目的：第一，推進理論與技術雙向驅動的學生綜合素養評價新范式的實踐應用，健全學生綜合評價；第二，確保能夠有效獲取學校、區域、專門機構以及教育科技企業關于學生素養較為全面的數據，在滿足數據隱私安全和監管要求的前提下，將可信數據用于建模計算，實現科學、 客觀、專業評價學生綜合素養的發展；第三，促進學生綜合素養評價結果在高校招生、單位招聘等中的真應用，發揮評價結果的正確導向作用。

三、基于聯邦學習的學生綜合素養評價數據共享與安全保護的技術邏輯

基于上述對學生綜合素養評價數據共享、安全保護難題與聯邦學習技術的契合點分析，本研究設計了“云-邊-端”三層的學生綜合素養評價數據共享與安全保護技術邏輯架構(如下頁圖2所示)。智能時代，學生綜合素養評價的數據來源眾多，并且需要多方共享數據參與建模，而其中大量原始數據共享還存在困難。因此，在本研究的技術邏輯體系下，云由可信的中心云和機構云構成，均可扮演中央協調方這一角色；邊是指邊緣計算，考慮到學校所產生的海量非結構化數據與區域之間的傳輸帶寬問題，可以利用部署在學校的設備完成部分模型訓練計算任務，再將其與中心云交換模型參數，由此可以在學校部署的邊緣計算處理大量非結構化數據；端是指手機、平板、電腦等終端設備。

圖2 基于聯邦學習的數據共享與安全保護技術邏輯架構

(一)技術邏輯的總體思路

首先，根據國家相關法律法規的規定，在進行數據交換前獲得數據擁有者的授權和允許后，中心云(主要指具有高可信的高等院校、研究機構、教育主管部門等)將初始的學生綜合素養聯邦學習全局模型依次下發送給專門機構(主要指政府所屬相關事業單位，如教育部教育技術與資源發展中心、學籍管理中心、科技館等)、區域、學校、教育科技企業、學生個體(端)等數據擁有者；其次，各數據擁有者分別使用各自所擁有的關于學生綜合素養數據對該聯邦學習模型進行局部訓練，并通過使用安全多方計算、同態加密以及差分隱私等方法對模型參數、梯度信息等進行加密，并將加密后的信息發送給中心云；然后，中心云將各數據擁有者訓練的模型特征信息進行安全聚合，如常使用聯邦平均算法[14]對初始的學生綜合素養聯邦學習全局模型進行更新，并加密返回聚合后的模型特征信息至各數據擁有者；最后，各數據擁有者解密從中心云接收的聚合后的模型特征信息，并使用解密結果在本地更新模型，進入下一輪訓練。上述操作會不斷重復迭代，直到中心云聚合后的學生綜合素養聯邦學習全局模型達到較好的擬合狀態為止。

(二)“云-云”“云-端”與“云-邊”層次的聯邦學習技術邏輯

面對教育應用場景，聯邦學習的開展更多會在“云-云”層次進行，由于其技術邏輯思路與上述論述的總體思路一樣，因此本節內容不再重復闡述。此外，在上述總體思路指導之下，“云-邊”層次、“云-端”層次同樣也存在開展聯邦學習的可能，具體如下所述。但需要說明的是，在學生綜合素養評價中，由于全局模型需要的數據量和計算能力較大，在學校部署的 計算能力通常有限，因此暫不考慮“邊-端”層次應用聯邦學習。

1.“云-端”層次

由于“端”基本由教育科技企業提供，如錄播設備、智能臺燈、智能平板等，因此“端”上數據除了學校能夠擁有以外，教育科技企業也能夠通過“端”進行數據采集進而上傳至企業云。這種情況下，聯邦學習將會按照上述總體思路在中心云協調下的學校、企業、區域、專門機構之間進行展開。然而，由于教育科技企業通過“端”采集學生數據進而傳至企業云，這在數據采集、數據傳輸過程中均存在攻擊、學生隱私信息泄露的風險，因此即便通過這種聯邦學習方式構建了學生綜合素養評價模型，但是也不是理想的聯邦學習技術運用。對于這種情況，“云-端”層次存在兩種解決方案。第一，建立中心云與“端”的直接聯系，進而開展聯邦學習，保障“端”上關于學生綜合素養的數據不出本地。具體而言，中心云與教育科技企業達成協議，將聯邦學習算法嵌入在“端”上，使得“端”可以直接下載中心云初始的學生綜合素養聯邦學習全局模型，進而利用自己擁有的數據進行局部模型訓練、加密上傳模型特征信息、更新模型等一系列具體操作。第二，建立機構云(主要指教育科技企業)與“端”的直接聯系。教育科技企業通過協議在自研的“端”上嵌入聯邦學習算法，以避免原始數據交換而導致隱私泄露的風險，直接在機構云與“端”之間開展聯邦學習。教育科技企業將中心云下發初始的學生綜合素養聯邦學習全局模型與“端”建立聯邦學習模型，執行模型訓練，“端”更新模型特征信息回傳給機構云，最后中心云采用遷移學習的方式實現全局模型聚合，更新學生綜合素養聯邦學習全局模型。這兩種解決方案中，其他數據擁有者(專門機構、區域、學校)仍然會按照上述總體思路開展聯邦學習，進行建模，繼而完善學生綜合素養評價模型，這里不再贅述。

2.“云-邊”層次

聯邦學習與邊緣計算的結合與互補是一種必然的趨勢[15]，因為在邊緣計算中，邊緣層服務器通過邊緣聚合、邊緣緩存、計算卸載等方式能夠減輕機構云甚至中心云的存儲壓力與計算壓力，提升整體的服務性能[16]，尤其是面對海量非結構化的視頻數據分析時[17]。在學生綜合素養評價過程中，學校會產生大量的諸如課堂錄像、體質測評錄像等視頻數據，將如此多的視頻數據直接上傳云端無疑會增加不必要的通信成本，同時數據安全風險也大大增加。對于這種情況，我們可以在學校部署邊緣計算開展邊緣聚合，再進行學生綜合素養聯邦學習全局模型的聚合與更新。此時，“云-邊”層次同樣存在兩種解決方案。第一，建立中心云與“邊”的直接聯系，進而開展聯邦學習。具體而言，中心云將初始的學生綜合素養聯邦學習模型下發至學校邊緣層服務器，依據學校產生的數據進行模型訓練得到模型特征信息，但此時模型特征信息不會直接返回至中心云，而是在“邊”上先進行模型特征信息的聚合，最后將邊緣聚合后的模型特征信息返回至中心云，繼而進行全局模型的聚合與更新。這樣做的優點是在極大降低通信成本的同時保證了學校數據“足不出戶”。第二，在機構云(主要指區域)與“邊”之間建立聯邦學習模型。聯邦學習開展的思路與中心云與“邊”相似，最后同樣可以采用遷移學習的方式將區域訓練的模型，聚合至中心云。在“云-邊”的兩種解決方案中，其他數據擁有者(專門機構、教育科技企業、學生端)一如既往地按照上述總體思路開展聯邦學習，完成模型構建，這里也不再贅述。

四、實現場景

依據上述論述可知，聯邦學習可以分為橫向聯邦學習、縱向聯邦學習以及聯邦遷移學習，能夠針對性適應不同的數據樣本以及數據特征分布的場景。因此，為實現聯邦學習技術對我國學生綜合素養評價數據共享與安全保護的支持，本研究以上述技術邏輯為指導，重點對三類實現場景進行說明，具體如下所述。

(一)橫向聯邦學習中的學生自主學習素養研究

學生自主學習可以發生在多個場域，比如學校、家庭、科技場館等，相對應形成了校內自主學習數據、家庭自主學習數據以及科技場館自主探究數據，然而由于商業利益、數據安全等原因這些數據在共享方面存在一定的困難，影響模型構建。事實上，教育科技企業A(存有校內自主學習數據)、教育科技企業B(存有家庭自主學習數據)、科技館(存有科技館自主探究數據)等數據擁有者擁有不同體量的自主學習數據，他們在不同地區中的學生樣本不存在交集，甚至在同一地區中的學生樣本交集都很小或者不存在交集，但是表征學生自主學習素養的數據在特征維度上基本上能夠保持一致(如均有自主學習時長、自主學習速度、自主學習間隔等數據特征維度)，也就是說數據特征維度存在較大的重疊。因此，這種情況下需要用學生自主學習素養數據特征重疊的教育科技企業A、教育科技企業B、科技館的所有學生樣本數據作為訓練數據，進而開展基于橫向聯邦學習的學生自主學習素養評價模型構建，具體如下頁圖3所示。

圖3 基于橫向聯邦學習的學生自主學習素養示例

設{DA}、{DB}、{D科}分別表示是學生自主學習素養數據特征重疊的教育科技企業A、教育科技企業B以及科技館的學生樣本集，基于橫向聯邦學習的學生自主學習素養評價模型訓練過程整體可以概括為：首先，教育科技企業A、教育科技企業B以及科技館從中心云下載初始的學生自主學習素養聯邦學習全局模型；其次，各數據擁有者分別用各自所屬的學生樣本集{DA}、{DB}、{D科}在本地獨立地計算模型參數(如自主學習時長、自主學習速度、自主學習間隔等)或模型梯度，并使用加密技術對參數或梯度信息進行加密，進而發送給中心云；然后，中心云可以使用基于同態加密的加權平均(梯度平均、模型平均)等算法對發送來的參數或梯度信息進行安全聚合，更新學生自主學習素養聯邦學習全局模型，并以加密方式將聚合后的參數或梯度信息返回各數據擁有者；最后，各數據擁有者對收到的新參數或梯度信息進行解密，并使用解密后的參數或梯度結果更新本地模型，進入下一輪訓練，如此迭代循環，直至損失函數收斂。中心云將最后一輪本地計算的參數或梯度信息進行聚合，輸出最終的學生自主學習素養評價模型，進行測試驗證。

(二)縱向聯邦學習中的學生體質健康素養研究

智能時代，構建學生體質健康素養評價模型僅僅依靠學校的日常飲食營養數據往往還不夠，還需要定期的、官方的體質監測數據，甚至是家庭運動數據，共同支撐模型構建。目前，這些數據分別存儲在學校、教育科技企業以及教育主管部門，尚未能夠有效匯聚共享。在同一區域，學校、教育科技企業以及教育主管部門等數據擁有者的數據有著不同的數據特征維度，但是他們覆蓋的學生樣本存在一定的交集，即學生樣本存在較大的重疊。因此，這種情況下需要用學校、教育科技企業以教育主管部門重疊的學生樣本數據作為訓練數據，其數據特征維度擴展到三方數據庫中所涵蓋的所有特征字段，繼而開展基于縱向聯邦學習的學生體質健康素養評價模型構建，具體如圖4所示。

圖4 基于縱向聯邦學習的學生體質健康素養示例

設{D學}、{D企}、{D教}分別表示學校、教育科技企業以教育主管部門重疊的學生樣本數據集，{D學}∪{D企}∪{D教}表示擁有共同學生的數據集，基于縱向聯邦學習的學生體質健康素養評價模型訓練過程一般分為兩部分：第一部分，采用加密的方式進行學生樣本ID對齊，得到具有共同學生的涵蓋三方數據庫中所有特征字段的數據集{D學}∪{D企}∪{D教}。第二部分，各數據擁有者在本地使用數據集{D學}∪{D企}∪{D教}協同訓練學生體質健康素養聯邦學習全局模型。具體步驟為：首先，中心云構建的初始學生體質健康素養聯邦學習全局模型下發學校、教育科技企業以及教育主管部門，并分別分發公共密鑰；其次，各數據擁有者使用數據集{D學}∪{D企}∪{D教}在本地進行加密模型訓練，并通過加密方式兩兩之間交換中間計算結果，以加密計算模型參數(如每分鐘跳繩數、步數、每天蛋白質攝入量等)或梯度信息；然后，各數據擁有者將加密的計算結果上傳至中心云，由中心云進行解密，更新學生體質健康素養聯邦學習全局模型；最后，中心云將解密后的計算結果以及損失信息返回各數據擁有者，用于更新各自本地模型，進入下一輪訓練。模型收斂同上，這里不再贅述。

(三)聯邦遷移學習中的學生數學素養研究

當跨機構、跨區域開展模型構建時，受不同機構、區域模型構建能力、數據體量、數據標簽、數據孤島等影響，有時需要將聯邦學習與遷移學習結合起來使用，通過利用或者調適相似任務、相似領域中的模型，構建一個高性能的機器學習模型[18]，進而達到共同服務多方的目的。比如，現需要對區域A(教育信息化水平較高)和區域B(教育信息化水平較低)的學生數學素養進行評價，但是在現實意義上兩個區域所擁有的原始數據無法交換，也不輕易能夠匯聚至上一層研究機構等，加之兩個區域關于學生數學素養的數據特征存在的交集較小(學生樣本不存在交集)，因此這種情況下可以在兩個區域之間開展聯邦遷移學習，利用雙方數據共同構建一個學生數學素養評價模型，進而開展評價，具體如圖5所示。

圖5 基于聯邦遷移學習的學生數學素養示例

區域A和區域B與教育主管部門之間開展縱向聯邦學習的思路如前所述，這里不再贅述。設{D區域A}、{D區域B}分別表示區域A和區域B關于學生數學素養的數據集，區域A和區域B之間的聯邦遷移學習過程如下：第一，區域A與區域B分別利用{D區域A}、{D區域B}構建初始學生數學素養評價模型(這里是指前述縱向聯邦學習之后得到的學生數學素養評價模型)M數A、M數B；第二，雙方互發公共秘鑰，并通過加密方式將各自模型計算的結果信息(如學習時長、練習數量、訂正頻率、討論頻率等)發送給對方，交換中間結果；第三，雙方在本地計算接收到的模型特征信息，并加密發送給對方；第四，雙方解密結果信息，更新本地模型，循環往復，致使模型收斂，最終得到一個高性能的學生數學素養評價模型M數FEL。

五、結語

智能時代，倘若數據共享與數據安全保護沒有得到有效解決，那么理論與技術雙向驅動的學生綜合素養評價新范式將難以落地，勢必影響學生綜合素養評價工作的開展。具有原始數據不出本地、多方協作構建模型、模型特征信息加密傳輸等核心技術優勢的聯邦學習，恰好契合解決這一痛難點的需求。在聯邦學習技術的核心思路指導下，本研究初步設計了“云-邊-端”三層的技術邏輯架構，以解決學生綜合素養評價數據難共享、隱私易泄露等難題，并針對三類實現場景進行了說明，以推進聯邦學習技術在未來的具體應用。需要注意的是，聯邦學習作為新興起的機器學習技術，不可避免具有一些技術缺陷。第一，雖然聯邦學習通過訓練模型參數而不接觸原始數據的方式做到隱私保護，但是有可能通過推理攻擊等方式反推出部分數據信息[19]。第二，聯邦學習多輪的模型參數發送與迭代，將帶來巨大的通信開銷成本。第三，聯邦學習涉及多方利益主體，且各方數據擁有者處于一個不平衡的狀態，一旦擁有絕對優勢的相關主體不愿意參與聯邦學習，中途退出，將改變聯邦學習模型性能，影響聯邦學習的應用。因此，未來要實現大規模應用研究成果，“云-邊-端”之間的安全隱私保護機制的加強、通信成本以及激勵機制的設置等問題需要得到重點關注，并予以逐步解決。