自AI浪潮掀起以來，要打造表現好的模型，就需要越多的訓練資料。然而，越來越嚴格的
個資保護規範，限制了企業取得資料的行為，成為AI大數據的衝突。但聯合學習，可望打
破這個限制

三年前，Google一篇聯合學習（Federated Learning，又稱聯邦學習）部落格文章，解釋
了如何以分散式訓練方法，把資料留在本地端，打造出可部署至上百萬支手機的輸入字推
薦模型。這個作法，不再需要收集大量個人資料至資料中心，不僅取代傳統集中式機器學
習，更一舉成為現在AI大數據與個資隱私瓶頸的解套方法。

2017年，Google為改善自家Android虛擬鍵盤Gboard的輸入功能，設計出一套加密分散式
機器學習方法。首先，個別用戶的手機會從中央主機下載一套模型，接著在數以萬計的用
戶端，根據用戶端的使用行為，來訓練Local端模型。

訓練好後，用戶手機會上傳模型權重（亦稱參數）至中央主機，中央主機收集一定數量的
權重後，就會聚合（Aggregation），計算出一個優化過的權重，再回放到用戶端手機，
進行下一輪訓練。

這個過程會不斷重複，直到模型達到理想的表現。在這過程中，只會上傳模型參數，完全
不會上傳使用者資料。Google指出，這個方法訓練出來的模型，不只讓搜尋功能變得更好
，還能部署到「數百萬支Android手機上。」

AI浪潮興起以來，為打造高準確度、高適應性的模型，就必須使用量大且多樣的訓練資料
。但在2018年，歐盟祭出史上最嚴格的個資保護規範GDPR，限制了企業蒐集、使用個人資
料的行為，這與AI熱浪的大數據需求，發生衝突。

而聯合學習藉分散式訓練，以共享模型取代共享資料，能藉眾人之力，打造效能不輸集中
式訓練的模型。這個方法，近年來在著重隱私的金融、醫療領域發酵，比如中國純網銀微
眾銀行發起聯合學習框架，邀集全球金融業者，來打造信用卡防詐欺模型，或是在醫療界
，Nvidia聯手倫敦國王學院，共同打造一款醫療聯合學習平臺。

今年，臺北榮總率先發表了臺灣第一個聯合學習試驗的成果，以國產AI超級電腦來試驗聯
合學習可行性，隨後，三總也在6月時宣布，加入全球20多家醫院聯手的聯合學習研究計
畫，要來打造一個COVID-19病情預測模型。臺灣也開始跟上了新一波聯合學習全球浪潮。

Q：什麼是聯合學習？

 A  聯合學習（Federated Learning）是一種分散式機器學習訓練方法，最常見的形式為
Server-Client形式，由一個中央伺服器，搭配分散各地來參與訓練的多個節點（也就是
Client）。各節點主機先從中央伺服器下載模型，在本地端以自己的資料來進行訓練，完
成訓練後，再將各自模型的權重上傳至中央伺服器，由中央伺服器來聚合（Aggregate）
這些權重。這種分散式訓練方法，可套用在不同機器學習模型的訓練過程。