近日，联邦学习国际标准IEEE P3652.1(联邦学习基础架构与应用)标准工作组宣布：联邦学习IEEE标准草案已完成并通过标准工作组表决，目前该草案已提交IEEE标准协会(Standard Association, SA)审核。按照流程，正式标准预计将于今年年中出台。联邦学习（Federated Learning）是近年来兴起的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“知识共享而数据不共享”，提升各自的AI模型效果，是破解现阶段AI行业落地中的“数据孤岛”与“数据隐私保护”两大“卡脖子”难题最行之有效的解决方案，目前已在金融、医疗、智慧城市等领域有一系列落地应用。
IEEE(电气和电子工程师协会)是全球最大的非营利性专业技术学会，在学术及国际标准等领域具有公认权威性，已经制定了900多个现行工业标准。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，这是国际上首个针对人工智能协同技术框架订立标准的项目。微众银行作为标准工作组的发起单位和召集单位，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创新工场、京东、中国电信，腾讯云，华为，小米，华大基因，第四范式、星云Clustar、英特尔、VMWare、CETC BigData、Swiss Re、Squirrel AI Learning、Eduworks等三十余家海内外头部企业与研究机构共同参与，召集了五次标准工作组会议对标准制定进行讨论及审定。
此次通过的标准草案对联邦学习的定义、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。众多的工作组代表，评价该标准的制定是“引领行业进步的重要指南”。
标准工作组一致认为，技术标准是科学技术与实践经验的综合成果，是技术在行业中落地的“通用语言”，尤其是对于联邦学习这项拥有多个参与方的技术而言，国际标准的出台对于联邦学习未来的行业应用与发展至关重要。联邦学习IEEE标准能够帮助和指导不同国家、不同类别的企业和机构在合作中通过联邦学习的方法合法合规地进行数据合作。
事实上，不仅联邦学习国际标准取得了突破性进展，联邦学习进入国家标准的进度也在不断加快。国内首个联邦学习团体标准（AIOSS）已于2019年6月发布，作为牵头机构，微众银行表示目前也在联合多家单位积极推动将联邦学习纳入国家标准。
相信随着国际与国内联邦学习标准的相继出台，联邦学习生态将进一步扩大和完善，搭建起机构间数据合作的桥梁。在未来发展中，联邦学习将发挥其作为下一代人工智能协作网络基础的无限潜力。
