聯邦學習

1. 3 秒看懂

聯邦學習（Federated Learning）是一種“資料不動模型動”的分散式機器學習範式：多個參與方在各自資料不出域的前提下，通過交換加密的模型更新（而非原始資料）來協作訓練一個共享的高質量模型，是應對資料隱私法規、打破“資料孤島”的核心技術之一。

2. 3 分鐘產業解釋

一句話定義

聯邦學習讓醫院、銀行、手機廠商等機構在不洩露原始資料的情況下，聯合訓練人工智慧模型，實現“資料可用不可見”。

為什麼需要聯邦學習？

全球資料保護法規趨嚴（GDPR、中國《個人資訊保護法》等），直接匯聚多方資料訓練模型面臨極高的合規風險。同時，資料作為新型生產要素，大量高價值資料沉澱在機構內部和使用者終端，形成“資料孤島”。聯邦學習在合規、安全與資料價值啟用之間建置了一條可行通路。

核心工作流程

初始化：中央協調伺服器釋出一個初始的全域性模型（如神經網路權重）。
本地訓練：參與方（客戶端）下載該全域性模型，使用各自持有的本地資料獨立計算模型更新（梯度）。
安全傳輸：參與方將更新通過同態加密、秘密共享或差分隱私等技術處理後上傳，確保伺服器無法還原單個參與方的原始梯度。
安全聚合：伺服器對所有密文更新執行聚合運算（如加權平均），得到一個新的全域性模型，而無需解密任何單方資料。
迭代收斂：反覆執行步驟2-4，直到模型效能（如準確率、損失值）收斂。最後將訓練好的共享模型分發至各參與方使用。

典型應用模式

橫向聯邦學習：參與方擁有的資料特徵空間相同，但樣本ID不同。例如：不同地區的兩家銀行分別持有不同客戶相似的信貸特徵，聯合起來訓練反欺詐模型。
縱向聯邦學習：參與方持有的樣本ID大量重疊，但特徵空間不同。例如：同一批使用者在一家電商平台有消費記錄，在另一家銀行有信用記錄，雙方在不暴露使用者交集的前提下，為每個使用者拼接特徵訓練信用評估模型。
聯邦遷移學習：參與方在樣本ID和特徵空間上重疊都很小，需藉助遷移學習技術將不同資料域的知識對齊，多用於跨行業、跨模態的稀疏重疊場景。

產業定位

聯邦學習是隱私計算（Privacy-Preserving Computation）技術棧的核心元件，與安全多方計算（MPC）、可信執行環境（TEE）等技術協同，一起構成資料要素安全流通的技術底座。在中國“資料二十條”（2022年釋出）等政策推動下，聯邦學習從學術研究走向金融、醫療、政務等領域的規模化交付。

3. 技術原理

3.1 核心數學與密碼學基礎

橫向聯邦的安全聚合：經典方法如《Communication-Efficient Learning of Deep Networks from Decentralized Data》（McMahan et al., 2016）提出的FedAvg演算法，要求伺服器只能獲得聚合後的權重和，而不能訪問單個客戶端的更新。技術上可基於加法同態加密（如Paillier演算法）實現，各客戶端將加密的梯度向量上傳，伺服器在密文域執行向量相加，再將解密後的聚合結果更新全域性模型。
縱向聯邦的樣本對齊與加密梯度交換：首先通過隱私保護實體對齊（基於RSA盲簽名或布隆過濾器）找出共同樣本ID，而不洩露非交集使用者。訓練過程中，參與方各自維護部分模型（如底部模型），互動加密的中間梯度或損失值，依賴於安全多方計算（MPC） 協議或同態加密實現安全的矩陣運算。邏輯迴歸、XGBoost等演算法已有成熟的縱向聯邦實現。
差分隱私（DP）保障：為防止從模型引數推斷出個體資訊，可在本地梯度更新中注入符合高斯或拉普拉斯分佈的噪聲，滿足(ε, δ)-差分隱私。ε越小，隱私保護越強，但模型可用性可能下降。實際部署需要權衡隱私預算。

3.2 主流演算法演進

FedAvg：最簡單且廣泛使用，但面對Non-IID（資料非獨立同分布）和系統異構時收斂緩慢。
FedProx：在本地損失函式中增加近端項，約束模型偏離全域性模型的程度，提升Non-IID場景下的穩定性。
FedNova：解決不同客戶端訓練步數不一致帶來的目標不一致問題，對異質系統更魯棒。
Scaffold：使用控制變數修正客戶端漂移，適用於梯度差異大的多客戶端環境。
聯邦樹模型：縱向聯邦學習中，SecureBoost等演算法對梯度提升樹適配，已在多個風控場景落地。

3.3 安全威脅與防禦體系

聯邦學習並非絕對安全，其威脅模型主要分為：

投毒攻擊：惡意參與方上傳篡改的模型更新，以破壞全域性模型效能（無目標攻擊）或植入後門（有目標攻擊）。防禦手段包括拜占庭魯棒聚合規則（如Krum、Trimmed Mean）及異常檢測。
梯度洩露攻擊：從共享的梯度反推原始特徵乃至訓練資料（如Deep Leakage from Gradients）。防禦依賴梯度裁剪、差分隱私加噪、安全聚合等技術。
成員推斷攻擊：通過模型預測結果推斷某一樣本是否在訓練集中。引入差分隱私可提供理論保障。

聯邦學習需結合可信執行環境（TEE） 提供硬體級隔離，或將關鍵計算置於TEE中，形成“聯邦學習+TEE”混合架構，以降低軟體層面的安全風險。

4. 關鍵引數

對於聯邦學習系統設計與評估，以下工程與安全引數至關重要，實際數值因場景而異：

引數類別	關鍵指標	說明
通訊效能	每輪通訊量（MB/client）	模型引數大小決定。ResNet-18約44MB，大型Transformer可達GB級；壓縮技術（梯度量化、稀疏化）可將通訊量降低50%-99%。
聯邦輪次	達到收斂所需輪次R	Non-IID場景下可能需數百至上千輪；最佳化演算法可減至幾十輪。
本地資料規模	客戶端樣本數n_i	平均1K~1M不等，樣本過少的客戶端需要FedProx等帶近端約束的演算法。
裝置可用率	每輪成功參與的客戶端比例	行動端可能低至10%-30%（受電量、網路影響），跨機構場景通常>90%。
隱私預算	(ε, δ)-差分隱私引數	典型ε範圍：0.1~10，越小隱私保護越強。ε<1時模型效能可能有明顯折損。
安全引數	同態加密金鑰長度、MPC協議輪次	Paillier常用2048/3072位；MPC混淆電路需大量互動輪次。
聚合安全門限	拜占庭容錯上限f	最多容忍不超過1/3（或某些演算法1/2）的惡意客戶端。

實際落地需根據業務隱私需求、網路條件、計算資源共同確定上述引數目標，並通過聯邦模擬平台（如FATE-Board、TensorBoard Federated）進行配比調優。

5. 技術路線

5.1 開源架構路線

目前業界主推的聯邦學習架構形成了三條技術生態路線：

底層自帶聯邦能力的深度學習架構：
- TensorFlow Federated (TFF)：Google開源，深度整合TensorFlow生態，側重移動/邊緣裝置橫向聯邦，支援差分隱私和張量安全聚合，但縱向聯邦支援較弱。
- PaddleFL：百度基於飛槳，提供橫向、縱向及聯邦遷移學習的完備支援，內建多種聯邦最佳化演算法，與中國國產硬體（如崑崙芯）適配性好。
- PySyft：基於PyTorch的隱私計算架構，支援聯邦學習、MPC、同態加密等多種協議，學術社群活躍，但工業級穩定性仍在完善中。
專門建置的聯邦學習中介軟體/平台：
- FATE（Federated AI Technology Enabler）：微眾銀行發起並開源的全球首個工業級聯邦學習架構，縱向聯邦學習成熟度領先，內建豐富演算法（安全提升樹、邏輯迴歸、神經網路），已形成IEEE國際標準（IEEE 3652.1-2022《聯邦學習技術指南》），企業部署案例最多，生態最完整。
- PrimiHub、SecretFlow（螞蟻集團）等：傾向於融合MPC、TEE等隱私計算技術的一體化架構，支援跨程序、跨語言。
商業化聯邦學習平台：百度智慧雲端聯邦學習平台、華為ModelArts聯邦學習、騰訊雲端Angel PowerFL等，以雲端服務形式提供彈性算力和視覺化管理。

5.2 部署架構路線

集中式協調伺服器：最為主流，一個邏輯中心負責模型聚合與排程，適用於跨機構協作。
去中心化/點對點聯邦學習：無需中央伺服器，參與方通過Gossip協議或區塊鏈共識機制交換模型，抗單點故障，但收斂較慢，常與區塊鏈結合實現審計存證。
聯邦學習+可信執行環境混合：將聚合或梯度解密操作放入TEE（如Intel SGX、AMD SEV），進一步增強安全可信，抵消部分軟體密碼學開銷。

5.3 標準化與互聯互通

中國信通院推行“隱私計算聯邦學習”效能測試標準，推動不同架構間互聯互通。FATE、PaddleFL等已開展跨平台互操作試驗，目標是實現模型、演算法和資料的統一描述與交換，解決供應商鎖定問題。該標準路線仍處於早期，預計2025年前後出現成熟版本。

6. 上游

聯邦學習產業的上游為其提供基礎運算、安全演算法和算力硬體的技術供應商。

6.1 算力與AI晶片

GPU：NVIDIA A100/H100是訓練側主力，邊緣端採用Jetson系列；國產替代包括華為昇騰、寒武紀等。
FPGA/ASIC加速卡：在垂直行業（金融）用於加速同態加密、MPC操作，如英特爾FPGA PAC、百度崑崙、阿里巴巴含光等。
TEE硬體：Intel SGX（第三代至強可擴充套件處理器）、AMD SEV、海光CSV（國產化x86 TEE方案）等，提供可信隔離環境，多用於金融級聯邦學習節點。

6.2 密碼學與安全技術庫

同態加密庫：微軟SEAL、IBM HELib、PALISADE/OpenFHE（全同態），以及螞蟻摩斯（Morse）的安全庫等。
MPC協議庫：ABY、EMP-toolkit、SPDZ等學術庫，以及數牘科技、華控清交等商業公司最佳化的高效能協議（如混淆電路、秘密共享）。
差分隱私庫：Google DP-Library、Opacus（PyTorch）等，為聯邦學習客戶端提供即用型加噪模組。

6.3 資料要素基礎設施

上游還包含提供合規資料標註、資料脫敏、資料質量評估的“資料商”或技術中間商。在中國，“資料交易所”如北京國際資料交易所、深圳資料交易所，正逐步引入聯邦學習作為場內資料融合的技術支撐，屬於上游制度供給。

7. 下游

聯邦學習的最終價值實現在應用場景中，主要覆蓋六大縱深行業：

7.1 金融風控與營銷

銀行、保險、消費金融公司聯合建置反欺詐模型、多頭借貸模型、信用評分卡和精準營銷模型。例如，某銀聯資料與多家銀行聯合實施縱向聯邦信貸風險評估，在保護各方客戶隱私前提下將壞賬率降低15%以上（來源：微眾銀行《聯邦學習白皮書V2.0》，2021）。金融是當前聯邦學習商業化落地最成熟、付費意願最強的下游。

7.2 醫療健康

多家醫院通過橫向聯邦學習聯合訓練疾病診斷模型（如肺結節CT檢測、病理切片分析），樣本數量從數千擴充到數萬，模型AUC提升5-10個百分點。“多中心聯邦學習平台”已在國內十餘家三甲醫院部署，用於罕見病研究和藥物發現。醫療領域合規要求極高，聯邦學習是跨醫院資料共享的幾乎是唯一合規方案。

7.3 政務與智慧城市

依託各省市大數據局，實現跨委辦局資料融合而不匯聚原始庫。如聯合人社、醫保、稅務資料建置“政策找人”模型，精準推送補貼；或跨區域交通資料訓練擁堵預測模型。深圳、上海等地政務資料平台已將聯邦學習納入標準能力。

7.4 智慧終端與服務

GoogleGboard輸入法使用橫向聯邦學習改善輸入預測，Meta在WhatsApp用聯邦學習最佳化貼紙推薦，Apple使用差分隱私聯邦學習改善Siri喚醒。中國手機廠商如OPPO、vivo也在探索這類端側聯邦學習，用於輸入法、負一屏個性化推薦，但受端側算力和通訊開銷制約，大規模落地仍存挑戰。

7.5 汽車與物聯網

新能源汽車採集海量行駛資料，但出於競爭和隱私無法直接共享。聯邦學習使多家車企可聯合訓練自動駕駛感知模型或電池健康預測模型，提升模型泛化能力。工業預測性維護場景中，同行業不同工廠通過聯邦學習建置裝置故障預警模型，避免暴露各自產線核心資料。

7.6 網際網路與廣告

廣告聯盟中，媒體與廣告主在不交換使用者個人資訊的前提下，共同訓練轉化率預測模型，實現合規歸因。該場景對即時性要求高，催生了輕量級線上聯邦學習技術需求。

8. 受益公司

以下公司在聯邦學習技術研發、平台建置或生態推動中扮演關鍵角色，僅作產業圖譜展示，不構成任何投資建議。

微眾銀行：發起和主導FATE開源生態，牽頭制定IEEE聯邦學習標準，輸出聯邦學習整體解決方案，為金融、醫療等領域提供落地案例，是產業早期佈道者和核心貢獻者。
百度：依託飛槳深度學習平台和PaddleFL架構，將聯邦學習與自身AI雲端服務結合，賦能金融、政務使用者，國產算力適配優勢明顯。
騰訊：推出Angel PowerFL，並與騰訊雲端隱私計算結合，在遊戲、廣告、金融領域落地，尤其微信端具備海量終端聯邦學習潛在場景。
華為：在ModelArts平台整合聯邦學習功能，結合昇騰晶片、TEE可信執行環境，提供雲端邊端全棧聯邦方案，助力製造、政務等。
螞蟻集團：通過SecretFlow等隱私計算平台，將聯邦學習與安全多方計算深度融合，服務於支付寶生態內支付、信貸等場景。
創業公司：
- 華控清交：以多方安全計算為基礎，融合聯邦學習，服務金融、政務資料融合。
- 洞見科技：專精隱私計算，推出InsightOne聯邦學習平台，著重於金融風控和保險。
- 星雲端Clustar：專注高效能隱私計算網路加速硬體，解決聯邦學習通訊瓶頸。
- 數牘科技：提供軟硬體結合隱私計算方案，包括聯邦學習和TEE。
國際廠商：Google（TFF主要維護者）、Meta（PySyft開源貢獻）、輝達（提供聯邦學習加速包FLARE）等，推動基礎架構和硬體生態演進。

9. 市場規模

聯邦學習作為隱私計算技術的關鍵組成部分，其獨立市場規模尚無權威公開統計。行業調研機構通常以“隱私計算技術市場”或“資料安全流通市場”口徑進行估算，聯邦學習、安全多方計算和可信執行環境相融合的專案邊界模糊。

全球市場：據市場研究機構MarketsandMarkets 2023年報告，全球隱私計算市場（含聯邦學習、MPC、同態加密等）在2022年規模約17億美元，預計2028年達到67億美元，複合年均增長率(CAGR) 約25.3%。其中聯邦學習板塊佔比未單獨揭露，但認為是增長最快的細分領域之一。（來源：MarketsandMarkets, “Privacy-Preserving Computation Market - Global Forecast to 2028”, 2023年釋出，該資料為產業分析口徑，並非精確會計統計。）
中國本土：根據IDC《中國隱私計算平台市場追蹤報告, 2023H2》（2024年初發布），2023年全年中國隱私計算平台市場規模達到約12.29億元人民幣，年增率增長約35%，其中包括聯邦學習、MPC、TEE等技術的軟體與平台服務營收。若按技術拆分，聯邦學習相關部分估計佔比約一半，則對應市場大致在6億元人民幣左右，但IDC未釋出官方技術佔比資料，此處為合理推測。“公開資料未見”權威細分。此外，億歐智庫《2023中國隱私計算行業研究報告》預測2025年中國隱私計算市場將突破50億元。隨著資料要素市場建設和公共資料授權運營加速，聯邦學習需求有望持續增長。
投融資熱度：據公開投融資統計，2022年國內隱私計算（含聯邦學習）領域共完成超過30筆融資，總金額超30億元人民幣，2023年融資趨於理性，但頭部公司估值提升。

以上財務及市場數字均為行業整體口徑，聯邦學習具體規模因定義尚未統一而難以精確量化，讀者應注意各資料來源差異，不作為投資決策依據。

10. 玩家對比

10.1 開源架構對比（2024年Q2主流版本）

架構	主導方	主要優勢	縱向聯邦	橫向聯邦	安全協議	生態社群	部署模式
FATE	微眾銀行	工業落地案例豐富，縱向聯邦領先，標準化程度高	★★★★★	★★★★☆	同態加密、SPDZ MPC、差分隱私	最成熟，30+金融機構生產部署	自建/雲端/混合
TensorFlow Federated (TFF)	Google	與TF生態深度整合，適合端側聯邦學習	★★☆☆☆	★★★★★	DP-FedAvg、安全聚合	學術與行動端強，支援模擬環境	移動終端與伺服器
PaddleFL	百度	集成於飛槳，國產硬體適配佳，聯邦遷移學習特色	★★★★☆	★★★★☆	國密SM2/4、Paillier、ABY3	國內企業使用者增多，與AI應用聯動	百度雲端/私有化
PySyft + OpenMined	OpenMined社群	基於PyTorch，隱私計算積木式靈活，教學友好	★★★☆☆	★★★☆☆	支援多種MPC、HE協議	全球開源社群活躍，實驗性強	客戶端/伺服器
SecretFlow	螞蟻集團	融合MPC和TEE的高安全架構，全鏈路隱私保護	★★★★☆	★★★☆☆	自研MPC協議、可信執行環境	螞蟻生態內推廣，對外公開	雲端原生

支援度評等基於公開文件與行業反饋，星級為綜合評估，不構成選型唯一依據。

10.2 商業解決方案綜合能力（非金融機構評等）

典型廠商在金融領域招標中常見，技術能力、實施服務、合規資質為關鍵維度。華控清交和洞見科技偏向金融與政務專案，價格較高但演算法定製性強；星雲端Clustar提供加速網絡卡差異化成套方案；百度、騰訊、華為依託雲端平台提供標準化產品，可達性強但行業定製深度相對有限。各廠商在通訊效率、安全等級、易用性等方面互有長短，具體選型需基於PoC驗證。

11. 風險

11.1 技術風險

通訊效率瓶頸：聯邦學習頻繁互動模型，跨廣域網情況下，單輪通訊時間可能超過本地訓練時間。大型語言模型（LLM）引數量巨大，通訊負擔嚴重，目前聯邦LLM仍處於科研階段。
系統異構性與掉隊者：參與方算力、網路異構導致“掉隊者問題”：聚合必須等待最慢的客戶端完成訓練，嚴重影響整體效率。現有演算法尚無法完全規避。
安全防禦的持續性：梯度反轉攻擊、模型竊取攻擊技術持續演進，現有差分隱私加噪與安全聚合方案在新模型架構（如Transformer）下的有效性亟需安全審查。
模型質量損耗：隱私保護與模型精度之間存在權衡。高隱私預算（ε小）常會導致模型收斂慢、準確率下降，業務場景下可能不被接受。

11.2 商業與治理風險

貢獻評估與激勵機制缺失：當前缺乏客觀、防篡改的資料貢獻度衡量方法，各方無法公平分配聯邦模型帶來的收益，阻礙聯盟生態的壯大。這是從“技術可行”到“商業可行”的最大阻礙。
責任界定模糊：當聯邦模型產生錯誤決策（如錯誤拒絕貸款申請）時，責任歸屬難以釐清。技術上缺乏透明的歸因手段。
“偽聯邦”與信任危機：部分方案宣稱“資料不出域”，但實際梯度保護不足，或服務端仍可通過側通道推斷隱私，導致合作方信任脆弱，極易因一次安全事件而瓦解。
監管不確定性：跨國資料流動背景下，聯邦學習產生的模型引數是否構成個人資料出境，各國監管機構尚無明確統一的判斷標準，可能造成合規風險。

11.3 市場風險

開源架構碎片化與整合成本：多樣的開源架構使得企業選擇困難，技術棧鎖定風險大；跨平台互操作標準未完善，切換成本高。
投入產出比待驗證：隱私計算專案前期投入（硬體、密碼學開發、合規適配）高，部分場景下是否比用合成數據或者本地訓練帶來足夠的業務提升，尚乏長期回報量化報告。

12. 誤讀糾偏

誤解一：“聯邦學習=資料絕對安全” 糾正：聯邦學習僅保證原始資料不出域，但無法完全防禦從模型梯度推論隱私的攻擊。必須搭配安全聚合、差分隱私等技術與嚴格審計形成縱深防禦。安全是機率和假設前提下的，沒有絕對。
誤解二：“聯邦學習必須搭配區塊鏈” 糾正：區塊鏈非必須。聯邦學習用於模型協作訓練，區塊鏈可提供去中心化協調與審計存證，但引入引入額外複雜度。多數工業部署仍採用中心化協調伺服器，更好兼顧效率和安全。
誤解三：“聯邦學習只適用於行動端/邊緣端” 糾正：橫向聯邦確實源自GoogleGboard，但縱向聯邦學習在機構間協作（銀行+電商）佔比更大，是金融、醫療場景的主流。
誤解四：“聯邦學習模型質量總不如集中式訓練” 糾正：在資料嚴重Non-IID或單方資料量過小時，聯邦模型可能差於集中訓練，但如果多方資料充分互補且採用合適的演算法（如FedProx、FedOpt），聯邦模型可以逼近甚至因隱私約束引入正則化效應而略優於單中心模型。並非必然質量折損。
誤解五：“只要用了聯邦學習就合規” 糾正：合規是包含法律、技術、管理措施的系統工程。聯邦學習解決資料最小化問題，但仍需完成個人資訊保護影響評估（PIPIA）、取得使用者授權、明確資料處理角色等，不能替代完整合規流程。

13. 最新事件

2022年7月：IEEE正式釋出 IEEE 3652.1-2022《聯邦學習技術指南》，由微眾銀行等主導制定，是全球首個聯邦學習國際標準，為術語定義、架構和安全測評提供基準。
2023年3月：國務院機構改革組建國家資料局，負責協調推進資料基礎制度建設，統籌資料資源整合共享和開發利用，進一步催熱聯邦學習等資料安全流通技術需求。
2023年8月：中國資訊通訊研究院聯合多家機構釋出《隱私計算聯邦學習安全與效能測試標準》新版本，引入通訊效率、異構容忍度等指標，推動產品標準化。
2023年11月：深圳資料交易所在場內交易中引入聯邦學習技術，完成首批聯邦學習資料融合服務交易，標誌著聯邦學習從專案制走向場內服務化。
2024年2月：FATE社群釋出FATE v2.0版本，全面重構通訊層，支援跨架構互操作介面卡，大幅提升大規模節點部署效率和安全性。
2024年4月：輝達釋出NVIDIA FLARE 2.4聯邦學習SDK，新增TEE整合和大型模型聯邦支援，將聯邦學習推入生成式AI領域探索。
2024年5月：北京國際資料交易所上架“聯邦學習模型服務”資料產品，允許資料提供方以API形式參與模型訓練並按效果付費，商業模式雛形顯現。

14. 追蹤指標

關注聯邦學習產業發展，以下量化與非量化指標可定期監測：

標準進展：IEEE P3652系列後續標準（如評估、安全等）的立項與釋出；中國通訊標準化協會（CCSA）聯邦學習相關團標；信通院隱私計算聯盟的互操作標準推進狀態。
開源社群活躍度：FATE GitHub Stars、貢獻者數量、每月活躍commits；PySyft、TFF等關注度。FATE目前Stars2.8萬+（2024年5月），可作為生態基準。
公開招標與落地案例：中國政府採購網、招投標平台中“聯邦學習”相關專案數量與金額，金融、政務招標頻次可直接對映需求熱度。2023年聯邦學習相關公開招標專案約200+個（據公開檢索），可逐年追蹤。
投融資事件：隱私計算（含聯邦學習）領域天使輪到C輪融資頻次與金額，頭部公司估值變化，反映資本市場預期。
專利數量：全球及中國“聯邦學習”相關專利申請量、授權量年增長率，可從中國國家智慧財產權局、WIPO查詢。截至2022年，中國聯邦學習相關專利申請超1.5萬件，領跑全球。
模型效能基準：聯邦學習基準測試平台（如FedML、FATE Benchmark）釋出的最新模型精度、效率、安全等級競賽成績。
行業滲透率：金融、醫療、政務細分行業中，已採用或明確規劃聯邦學習的機構佔比，可通過行業協會調研獲取。

15. 信源

McMahan, B., Moore, E., Ramage, D., Hampson, S., & Arcas, B. A. y. (2016). Communication-Efficient Learning of Deep Networks from Decentralized Data. arXiv preprint arXiv:1602.05629.
Google AI Blog. (2017). Federated Learning: Collaborative Machine Learning without Centralized Training Data. https://research.google/blog/federated-learning-collaborative-machine-learning-without-centralized-training-data/
IEEE 3652.1-2022. IEEE Guide for Federated Learning Technology. IEEE Standards Association.
微眾銀行.《聯邦學習白皮書V2.0》(2021).
中國信通院.《隱私計算白皮書（2023年）》.
IDC.《中國隱私計算平台市場追蹤報告, 2023H2》(IDC #CHC51590924, 2024年釋出).
MarketsandMarkets. (2023). Privacy-Preserving Computation Market - Global Forecast to 2028.
億歐智庫.《2023中國隱私計算行業研究報告》.
TensorFlow Federated documentation. https://www.tensorflow.org/federated
FATE開源社群. https://fate.fedai.org/
百度PaddleFL GitHub. https://github.com/PaddlePaddle/PaddleFL
國家資料局相關公開政策檔案與“資料二十條”（《關於建置資料基礎制度更好發揮資料要素作用的意見》，2022）.
相關招投標資訊檢索自各政府採購網公開資料（2023-2024年）。