人工智能时代联邦学习隐私保护的局限及克服

作     者：刘泽刚 Liu Zegang

作者机构：政法大学行政法学院 

出 版 物：《中外法学》 (Peking University Law Journal)

年 卷 期：2025年第37卷第1期

页      码：65-84页

摘      要：人工智能立法通常会对特定技术有所偏重。联邦学习属于主流的机器学习技术,最大的优势就在于其架构设计充分考虑了隐私需求。联邦学习在金融、数据公开等领域的应用已经比较广泛,并对自然人权益产生了重大影响。目前以隐私保护为目标的联邦学习不断暴露各种隐私揭示了个人数据隐私保护路径的法律缺陷:规范稀疏导致联邦学习缺乏明确隐私需求,“隐私设计”优势很难得到发挥;分布式架构导致联邦学习隐私保护责任难以落实;过度强调保密性和安全性,导致隐私保护的人格性被弱化和转化;技术权衡缺乏规范导致隐私保护缺乏透明性和确定性。这些问题揭示了人工智能隐私保护与个人数据保护在保护对象、保护流程、保护责任、保护框架等方面存在的巨大鸿沟。为了适应人工智能隐私保护的特殊要求,未来可在整合规范依据、调整规范重点、探索归责机制、构建沟通机制等方面对人工智能隐私保护规范进行升级和完善。

主 题 词：人工智能立法 联邦学习 隐私设计 差分隐私 隐私计算 

学科分类：030109[030109] 12[管理学] 03[法学] 030206[030206] 08[工学] 030103[030103] 0301[法学-法学类] 0302[法学-政治学类] 1201[管理学-管理科学与工程类] 081104[081104] 0839[0839] 0835[0835] 081201[081201] 0811[工学-水利类] 030609[030609] 0812[工学-测绘类] 0306[法学-公安学类] 

核心收录：

D　O　I：10.3969/j.issn.1002-4875.2025.01.004

馆 藏 号：203157251...