编辑推荐：
传统联邦学习（FL）存在静态客户端参与的局限，为解决此问题，研究人员开展联邦学习平台（FLPs）的研究。结果表明 FLPs 可实现动态参与，提升模型性能和数据互操作性。这为 FL 发展提供新方向，具有重要意义。
在当今数字化时代，数据成为推动各领域发展的关键力量。在机器学习领域，联邦学习（Federated Learning，FL）作为一种新兴的分布式机器学习范式，为保护数据隐私提供了有力支持，尤其在医疗、金融等对数据隐私要求极高的领域，发挥着重要作用。传统的联邦学习系统却存在着明显的局限性。它依赖于静态的客户端集合，在训练开始时就确定了参与方，且整个训练周期内保持不变。这种固定的结构就像是给灵活多变的数据世界套上了一层枷锁，严重限制了联邦学习系统在动态环境中的适应性和可扩展性。比如在多中心医疗场景中，新的医疗机构可能随时有加入协作的需求，或者在去中心化金融领域，参与者的情况也在不断变化，传统 FL 难以满足这些场景的需求。同时，由于缺乏与经济激励和战略价值相匹配的机制，参与客户端的持续参与度难以保证，这不仅造成资源利用的低效，还错失了通过引入新的高价值客户端来提升模型性能的机会。
为了打破这些困境，推动联邦学习向更高效、更灵活的方向发展，研究人员开展了关于联邦学习平台（Federated Learning Platforms，FLPs）的研究。他们致力于将 FL 扩展为一个动态平台，让客户端能够根据自身预期价值和战略激励，自由地加入或离开联邦，实现动态、价值驱动的参与。这项研究成果发表在《Future Generation Computer Systems》上，为联邦学习领域带来了新的曙光。
研究人员在开展研究时，运用了多种关键技术方法。在模型训练方面，采用了连续联邦学习（Continuous FL）技术，该技术能够持续更新模型，适应新的数据流入。为了保障数据隐私和安全，引入了可信执行环境（Trusted Execution Environment，TEE），确保数据在安全的环境中进行处理。在客户端管理上，运用了输入控制、过程控制和输出控制等机制，实现对客户端的筛选、监控和管理。
研究结果如下：
- 客户端加入（Client onboarding）：通过模拟实验发现，强大的客户端加入机制对稳定联邦和维持其长期价值至关重要。以巴西电子商务客户流失预测为例，在模拟客户端加入过程中，设置不同的准入决策正确率，结果显示，正确率高的输入控制机制能显著提升模型整体性能和联邦稳定性，如 100% 正确率的输入控制使模型 F1 分数从约 0.92 提升至 0.96，远超传统 FL 的性能提升范围。
- 过程监控（Process monitoring）：过程监控依赖过程和输出控制机制，通过多种方式保障平台安全和模型性能。利用异常检测算法、梯度检查机制和区块链验证等技术，有效检测恶意客户端，防止其对训练过程的干扰。通过数据和基于错误的方法监测概念漂移（Concept drift），并及时调整模型。通过计算每个客户端的贡献，合理分配激励，提高客户端参与积极性。
- 客户端退出（Client offboarding）：在模拟客户端退出实验中，发现保留具有边际个体效益的客户端对维持模型稳定性至关重要。当尝试保留那些想要离开的客户端时，随着保留成功率的提高，模型性能得到更好的保持，甚至在 100% 保留成功率时，F1 分数还有所提升，这表明有效保留客户端能防止模型性能下降。
- 联邦管理（Federation management）：联邦管理需不断评估和调整联邦组成，考虑多种因素优化活跃客户端选择。采用异步联邦学习（Asynchronous FL），解决客户端异步性问题，提高训练效率。同时，合理控制计算资源，确保模型性能，并通过联邦遗忘（Federated unlearning，FU）技术，满足数据隐私法规要求。
- 安全和隐私（Security and privacy）：采用差分隐私（Differential privacy）、同态加密（Homomorphic encryption）和 TEE 等技术保障安全和隐私。TEE 为客户端计算提供安全环境，区块链认证则记录客户端贡献，增强透明度和信任。
研究结论和讨论部分指出，FLPs 为联邦学习带来了新的发展方向，实现了从静态到动态、价值驱动的转变。它提升了联邦学习在处理大数据复杂性方面的能力，为跨行业的机器学习生态系统发展奠定了基础，促进了数据的跨部门创新。然而，FLPs 的发展也面临诸多挑战，如联邦稳定性、激励不一致、数据异质性和不平衡、模型和数据格式定义以及安全隐私等问题。针对这些挑战，研究人员提出了相应的解决策略和未来研究方向，如构建更有效的客户端加入机制、建立持续的过程监控系统、开发客户端退出策略、创建激励模型以及确保安全和隐私等。通过解决这些问题，FLPs 有望成为一个强大的数字平台，广泛应用于医疗、金融等对隐私和可扩展性要求极高的领域，推动隐私保护、价值驱动的机器学习取得重大进展，为分布式计算的未来发展塑造新的格局。
