【摘 要】群体智能是在互联网高速普及下诞生的人工智能新范式。然而，数据孤岛与数据隐私保护问题导致群体间数据共享困难，群体智能应用难以构建。联邦学习是一类新兴的打破数据孤岛、联合构建群智模型的重要方法。首先，介绍了联邦学习的基础概念以及其与群体智能的关系；其次，基于群体智能视角对联邦学习算法框架进行了分类，从隐私、精度与效率3个角度讨论了联邦学习算法优化技术；而后，阐述了基于线性模型、树模型与神经网络模型的联邦学习算法模型；最后，介绍了联邦学习代表性开源平台与典型应用，并对联邦学习研究进行总结展望。
【关键词】群体智能 ; 联邦学习 ; 隐私保护
0 引言
近年来，人工智能技术的发展进入了新时代，诞生了以AlphaGo为代表的能够模拟出强大个体智慧的成功案例。同时，随着互联网高速普及，人与人之间的信息碰撞交流更加密切，群体智慧的联结开始发挥越来越重要的作用，群体智能（crowd intelligence）也初现端倪。所谓群体智能，就是指通过特定的组织结构吸引、汇聚和管理大规模参与者完成任务时，所涌现出的超越个体智力的智能。在互联网环境下，群体智能面临着许多不同于主流人工智能范式的新挑战。例如，构建传统人工智能应用依赖于大量的训练数据，而在更贴近真实的群体智能场景中，数据往往分散在不同的企业、机构群体，甚至大规模个人移动用户群体中。这些散布于群体的数据之间存在壁垒，很难用常规手段去打通，由此诞生了数据孤岛（data isolation）问题。与此同时，对数据隐私安全的重视也成为世界趋势。欧盟在 2018 年通过并开始实施堪称史上“最严”的数据隐私保护法规《通用数据保护条例》