基于联邦学习的粮食供应链隐私数据要素协同计算研究

[目的/意义]隐私数据要素的流转是保证粮食供应链安全高效运行的重要基础.实现粮食供应链中隐私数据要素的协同计算对保障粮食质量安全具有重大意义.[方法]针对供应链中不同主体间因数据的隐私性而无法共享并参与计算的难题,提出基于工业互联网标识解析技术与联邦学习的粮食供应链数据流转与协同计算架构,设计了支撑联邦学习数据互通的数据标识编码和任务标识编码及对应的参数、信息和评价数据模型;搭建了不同主体数据特征同构的单环节横向联邦学习模型和数据特征异构的跨环节纵向联邦学习模型,基于逻辑回归算法对模型参数进行快速调整计算,以粮食供应链安全风险评估场景为对象,依托开源FATE(Federated AI Technology Enabler)联邦学习平台进行测试验证.[结果和讨论]相比传统的单一主体评估计算,横向联邦学习评估准确率提升6.7%,纵向联邦学习评估准确率提升8.3%.[结论]采用联邦学习的方式提高了评估的准确性.本研究可为粮食供应链安全高效稳定运行提供技术支撑.