近日，IEEE 标准委员会（SASB）一致投票正式通过联邦学习国际标准（IEEE P3652.1），标准将于今年年底正式出版推行。这也是国际上首个针对人工智能协同技术框架订立的标准，由国内知名数字化银行微众银行会同多家国内外AI公司及研究机构发起、筹备，将为更多行业和海内外机构应用联邦学习技术提供标准化的行业规范，标志着联邦学习开启大规模工业化应用的新篇章。
根据微众银行同步的标准筹备流程实时信息，标准草案于2020年3月提交IEEE，经最后阶段的评估及微调，于9月正式批准出台。标准工作组人员介绍说，在筹备立项正式获批之后，在一年多的时间里，标准工作组先后召集了六次标准工作组会议对标准制定进行讨论及审定。
技术标准推行将推进联邦学习开启大规模工业化应用
“联邦学习国际标准的正式出台, 将为更多行业和海内外机构应用联邦学习技术提供标准化的行业规范，标志着联邦学习开启大规模工业化应用的新篇章。”微众银行相关负责人表示。
联邦学习（Federated Learning）是一种加密的分布式机器学习新范式，可以让各参与方在数据不出本地的情况下进行AI协作，实现“价值共建而数据不共享”，提升各自的AI模型效果，是解决现阶段各行业AI落地中的“数据孤岛”与“数据隐私保护”两大行业痛点行之有效的解决方案。在国内，这一技术方向由微众银行首次提出，并且通过开源软件、领衔行业标准建立等方式推动联邦生态建立。
联邦学习IEEE标准对联邦学习的定义、概念、分类、算法框架规范、使用模式和使用规范等方面都进行了系统性的阐述，尤其是标准工作组成员凭借在各自领域丰富的技术、研发、服务、运营经验，对联邦学习在To B(企业端)、To C(用户端)以及To G(政府端)不同情境下的场景分类，建立了联邦学习的需求分析模板，厘定了联邦学习性能及安全测评准则，并将联邦学习的激励机制设计理论应用于各种实际场景中。
技术标准是推广行业应用的通用沟通语言，是引领行业进步的重要指南。目前在微众银行等领头羊的带领下，联邦学习已在金融、医疗、智慧城市等领域有一系列落地应用，例如各银行间建立联邦反洗钱模型用于小微企业信贷风控，联邦医疗打破医院间影像孤岛，城市摄像头基于联邦学习建立数据不出本地的强大安防网络等。首个国际标准的出台，更多想应用与正在应用联邦学习的企业和机构得以进一步扩大合作，共建更加完善和强大的联邦生态。例如，不同地区、规模不同的多家医院在统一的标准指导下，数据不出本地，利用各自拥有病例数据进行联合建模，提升预测脑卒中等疾病的准确率，从而推动我国分级诊疗、慢病防控、疾病早筛等医疗健康事业重要领域进步。
联邦学习国际标准的发布，体现了联邦学习这一新兴技术领域正式在国际上获得认可，也预示着在ToB、ToC等各大应用场景中，联邦学习应用案例将跨入井喷阶段，以联邦学习为代表的保护隐私和数据安全的人工智能技术将推动人工智能正式进入如中国科学院张钹院士所预测的安全、可靠和可信的“人工智能3.0”时代。
IEEE P3652.1标准重要节点回顾
工作组主席由微众银行首席人工智能官杨强教授担任，在一年多的时间里，标准工作组先后吸纳了微众银行、创新工场、星云Clustar、第四范式、松鼠AI、京东城市、腾讯云、逻辑汇、华为、中国电信、小米、华大基因、中电科大数据研究院、Senses Global、依图、趣链科技、百度、海信、蚂蚁金服、Eduworks、AI Singapore等三十余家海内外头部企业与研究机构共同参与，召集了六次标准工作组会议对标准制定进行讨论及审定。以下为标准制定过程中重要里程碑：
- 2018年12月，IEEE标准协会批准了由微众银行发起的关于联邦学习架构和应用规范的标准P3652.1（Guide for Architectural Framework and Application of Federated Machine Learning）立项；
- 2019年2月，标准工作组第一次会议；
- 2019年6月，对联邦学习的定义、框架、案例进行了研讨和分析；
- 2019年8月，聚焦联邦学习各项指标的评估如何量化、标准如何体现联邦学习技术的合规性、联邦学习应用案例的分类归纳等；
- 2019年11月，聚焦联邦学习场景需求分类与安全测评，着重对联邦学习的安全测评与评级进行规划；
- 2020年3月，标准草案获IEEE通过，进入评估阶段；
- 2020年9月，终版标准获IEEE确认，形成正式标准文件；
- 2020年年底，将正式公开出版，全球推行。
注: 目前可在IEEE标准官网（https://www.techstreet.com/ieee/standards/ieee-p3652-1?gateway_code=ieee&vendor_id=7453&product_id=2183131）查看标准全文。
