Googleが2016年に初めて統合学習の概念を提案して以来、この基本的な人工知能技術は、もともとデータ交換中の情報セキュリティを確保することを目的としていたものでしたが、すぐに中国のトレンドを始動させました。プライバシーデータ保護に関して、360 Digital（以前の360 Finance）は、2018年にプライバシーコンピューティング研究を導入し、2019年に、連邦学習技術を使用してビッグデータのプライバシー保護を促進するInstitute of Privacy Protection and Secure Computingの設立を発表しました。今年、360 Digitalはプライバシーデータ保護の分野での研究をさらに推進しました。これは業界で初めて、スピルドニューラルネットワーク（Spilt Neural Network）を提案し、一連の自己開発システムを通じてアルゴリズムを実装するものです。
プライバシーデータプロジェクトのメインリーダーである360 Mathematics Privacy Protection Research Instituteの学部長であるシェンユン博士は、次のように述べています。タイプデータが抽出され、統一された構造の下での学習により、効率が大幅に向上します。」
従来の統合学習とは異なり、セグメント化ニューラルネットワークテクノロジーフレームワークの出力層データの次元は、元の入力層の次元よりもはるかに小さくなります。出力層データが暗号化されていなくても、元の入力層データを元に戻すことはできないため、フレームワークの設計が不要になりますデータ漏洩の問題は解決されました。出力層データの次元が小さいため、サーバー側での計算量とメモリ使用量を大幅に削減し、ネットワーク転送量を削減し、帯域幅要件を削減できます。
現在国内産業でより尊重されている連合学習の原則は、学習に関与するすべての関係者のマシンに展開されたクライアントが既存のモデルとパラメーターをサーバーからダウンロードし、独自のデータとモデルの結果に従ってモデルのパラメーターを更新することですクライアントに戻し、モデルを更新します。この方法を使用しても、元のデータのサーバーと対話しないため、元のデータがデータベースから失われることはありません。さらに、元のデータまたは勾配は、セキュリティを強化するために、使用する前に何らかの方法で暗号化またはノイズを加えることができます。
統合学習と同様に、セグメント化されたニューラルネットワークテクノロジーフレームワークは、生データをアップロードする必要がありません。元のデータを使用する前、または出力レイヤーの結果をアップロードする前に、暗号化にさまざまな暗号化方法を使用して、プライベートデータのセキュリティを効果的に確保できます。
統合学習との違いは、このフレームワークでの学習に参加している各クライアントが独自のサブニューラルネットワークを展開し、学習したパラメーターをサーバーと共有する必要がないことです。各クライアントは最上位の出力層のデータをサーバーに送り返すだけでよく、サーバーは各クライアントの結果を統合してから、各クライアントは独自の更新反復を実行します。
ネットワークは分割されて各クライアントに展開されるため、独自の構造は他の関係者と共有されず、独自の重みがサーバーと対話する必要がないため、フェデレーション学習の巨大なディープネットワークによって引き起こされるサーバーとクライアントを解決できます。端末間の大量のデータ相互作用によって引き起こされるネットワーク伝送圧力。さらに、セグメント化ニューラルネットワークテクノロジーの出力層データの次元は元の入力層の次元よりもはるかに小さくなります。これにより、ネットワーク構造を統合学習でサーバーと共有する必要があるために発生する潜在的な元のデータ漏洩のリスクを解決できます。
セグメント化されたニューラルネットワークテクノロジーフレームワークのための360 Digitalのプロジェクト実装技術ソリューションは、より安全でハードウェア要件が低く、より柔軟なフレームワークを構築できます。現在、このフレームワークは主に、パートナーとのデータ対話における360 Data Scienceのニーズを満たしています。将来的には、360 Digitalの外部リスク管理機能のプロセスにおいて、プライバシーコンピューティングも技術的な成果の一部として、データセキュリティの問題を根本から解決する包括的なソリューションとして使用されます。360 Digitalは、新しいテクノロジーの研究開発能力を引き続き向上させ、健全で安全なデータエコシステムを作成します。