文章核心观点 公司宣布基于分层分片区块链技术的联邦学习框架，可解决联邦学习中信息交互、数据安全隐私保护、计算效率和系统可扩展性等关键问题，为未来大规模机器学习应用奠定基础，在多领域有广泛应用前景 [1][6] 公司介绍 - 公司是全球领先的全息增强现实技术提供商，提供全息云综合技术解决方案，服务和技术涵盖全息AR汽车应用、3D全息脉冲激光雷达技术等多个专业领域 [1][7] 联邦学习框架特点 分层分片结构 - 将物联网网络细分为多层结构，每层再细分为多个分片，优化信息交互和处理效率，减少信息交互复杂度和全球通信成本 [2] - 分片机制使各分片可独立并行执行本地训练任务，加速整体学习过程，仅在模型参数更新时进行跨分片数据交换，保障训练效率和数据安全隐私 [2] 自适应共识算法 - 开发高度自适应共识算法，能准确识别和拒绝异常模型，抵抗恶意或错误数据干扰，确保学习结果准确可靠 [3] 数据安全保护 - 借助加密和分布式账本技术，确保数据传输和存储安全，防止数据泄露和篡改，通过智能合约等权限控制机制进一步保护数据隐私 [4] 计算效率和可扩展性 - 分片和并行处理机制提高计算效率、降低延迟，适用于大规模物联网设备实时学习场景 [5] - 灵活的分层分片设计使系统能适应各种网络环境，提高系统可扩展性，可灵活部署和运营以满足多样需求 [5] 框架意义和应用前景 - 构建高效、安全、可扩展的物联网学习平台，克服传统联邦学习局限，为未来大规模机器学习应用奠定基础 [6] - 在智能家居、智慧城市、工业4.0等领域有广泛应用前景，有望推动各行业数字化转型，构建更智能、安全、高效的未来社会 [6]