联邦学习核心理念是“数据不动模型动”，其通过用户数据不出本地的方式完成云端模型训练，实现了“数据可用不可见”，成为隐私保护计算主流技术之一。
然而，随着应用隐私保护计算的场景和行业日趋多元，涉及的数据类型日趋丰富，已有联邦学习框架难以灵活高效地满足现实中越来越复杂的计算需求，需从注重“可用”到注重“好用”。
联邦学习，能有效帮助多个机构在满足自身隐私保护、数据安全和政府法规的要求下，进行数据联合使用和机器学习建模。
联邦学习，实际上是解决数据无法共享或公开提供时，如何建立合作模式构建多方都能满意的算法模型的技术。也可以叫做“隐私增强计算”，在保障数据隐私及安全前提下完成多方数据联合分析、联合训练、联合预测，实现数据价值的流通，助力企业业务增长。
下载链接：
构建端到端的联邦学习
下载链接：
构建端到端的联邦学习
AI框架发展白皮书（2022年）
2022中国AI芯片行业研究报告
40张图表解析中国“芯”势力
光刻胶研究框架2.0：行业深度报告
半导体研究框架：详解八大芯片材料（2022）
半导体2022年策略：国产化4.0+电动化 2.0
本号资料全部上传至知识星球，更多内容请登录智能计算芯知识（知识星球）星球下载全部资料。
免责申明：本号聚焦相关技术分享，内容观点不代表本号立场，可追溯内容均注明来源，发布文章若存在版权等问题，请留言联系删除，谢谢。
电子书<服务器基础知识全解(终极版)>更新完毕。
获取方式：点击“阅读原文”即可查看182页 PPT可编辑版本和PDF阅读版本详情。
温馨提示：
请搜索“AI_Architect”或“扫码”关注公众号实时掌握深度技术分享，点击“阅读原文”获取更多原创技术干货。
