第11章 总结、生态与法律边界
专题导航：总览 · CV、NLP与推荐 · 联邦强化学习 · 行业应用 · 生态与法律
⚡ 法律信息边界
本章提供的是项目核验框架，不构成法律意见。适用规则取决于法域、参与方角色、数据类型、处理目的和业务事实，落地前必须查询当前官方来源并由合格法律与合规人员判断。
本章先记住
- 可信联邦系统同时包含统计、系统、安全、经济和法律五层。
- 密码协议的安全结论不能替代处理目的、合法基础、权利和责任判断。
- 法律结论具有法域与时间依赖性，实际项目必须依据当前规则和业务事实重新核对。
🧭 学习目标与本章地图
本章定位
- 在知识体系中的位置：把算法、隐私安全、系统、激励和法律统一为联邦学习生态。
- 前置知识：第1～10章。
- 后续基础：完整项目治理与科研问题选择。
- 核心问题：为什么联邦学习不是部署一个聚合算法就结束？
一句话总结
可持续联邦系统必须同时满足统计有效、协议安全、系统可用、经济公平和法律合规，任一层失败都可能使整体目标失效。
学习目标
- 用五层框架审查一个联邦项目。
- 区分技术隐私保证与法律合规。
- 识别法律判断的法域、角色和时效边界。
- 形成跨技术与治理的研究问题链。
Mermaid思维导图
一、五层验收框架
| 层 | 核心问题 | 最低证据 |
|---|---|---|
| 统计 | 联邦模型真的优于Local-only吗？ | 多分布测试、最差方指标、消融 |
| 系统 | 在真实带宽、掉线和设备条件下可运行吗？ | 墙钟时间、通信量、能耗、恢复测试 |
| 安全 | 保护谁、抵御谁、允许泄露什么？ | 明确威胁模型、协议证明、攻击测试 |
| 经济 | 谁付出、谁获益、谁会退出？ | 贡献/成本机制、预算和长期留存 |
| 法律 | 处理活动本身是否合法且可问责吗？ | 角色、目的、合法基础、权利和审计流程 |
⚡ 隐私边界
联邦学习是一种技术架构，不是法律豁免。即使原始数据不离开本地，实体对齐、梯度、模型、预测和参与元数据仍可能构成个人数据处理。
二、法律与治理核验框架
稳定的通用原则
- 角色：数据主体、控制者、处理者及跨组织关系必须明确。
- 处理范围：收集、存储、训练、推理、传输和删除都属于治理对象。
- 原则：合法公平透明、目的限制、数据最小化、准确、存储限制、完整性与机密性、问责。
- 权利：知情、访问、更正、删除、限制、可携、反对及与自动决策相关的权利。
- 工程要求：隐私保护应在设计与默认设置中落实，不能只依赖事后声明。
项目启动前的动态核验清单
| 核验项 | 必须回答的问题 |
|---|---|
| 适用法域 | 数据主体、参与机构、服务器和模型服务分别位于哪里？哪些规则同时适用？ |
| 参与方角色 | 各方分别决定处理目的、手段还是仅受托执行？责任如何分配？ |
| 合法基础 | 实体对齐、训练、评估和推理各自依据什么合法基础？是否需要单独同意或其他授权？ |
| 目的与最小必要 | 交换ID、梯度、模型、预测和元数据是否都是任务所必需？能否减少精度、范围或保存时间？ |
| 敏感数据 | 是否涉及健康、金融、位置、生物识别、未成年人或其他受特别保护的数据？ |
| 跨境与第三方 | 协议消息、密钥、日志、模型或远程运维是否形成跨境或向第三方提供？ |
| 自动决策 | 模型是否对个人产生重要影响？是否需要告知、解释、人工复核或拒绝机制？ |
| 数据主体权利 | 如何响应访问、更正、删除、限制、反对和撤回等请求？ |
| 退出与删除 | 参与方退出后，密钥、缓存、模型影响和历史审计记录如何处理？ |
| 安全与问责 | 谁负责风险评估、访问控制、事件响应、审计证据和模型事故？ |
核验方法
优先查询当前官方法律文本、监管指南和适用行业规则，并记录核验日期、法域、版本和判断责任人。不要把“没有上传原始数据”当作免除这些核验的理由。
三、知识体系最终结论
- HFL、VFL和FTL由样本/特征重叠关系决定，不由行业名称决定。
- FedAvg是优化基线，不是隐私机制。
- HE/MPC保护计算中的输入与中间量，DP限制个体对输出的影响。
- 安全聚合隐藏单个更新，却可能降低逐客户端异常检测能力。
- VFL/FTL的训练与推理通常都依赖多方在线。
- 平均性能不足以证明联邦收益，应报告尾部、公平、安全和系统指标。
- 激励、审计和法律责任是系统组成，不是算法部署后的附加项。
四、开放研究问题
- 如何同时优化Non-IID收敛、用户级DP、鲁棒性和群体公平？
- 如何在安全聚合下检测投毒，又不恢复单个诚实更新？
- 如何校正VFL实体交集造成的选择偏差？
- 如何检测FTL负迁移并证明迁移收益来自可泛化知识？
- 如何在联邦大模型中分配数据、算力和参数高效更新的贡献？
- 如何实现参与方退出、数据主体删除和已训练模型治理？
五、闭卷回忆问题
- 为什么技术安全证明不能替代合法性判断？
- 联邦项目的五层验收分别是什么？
- 为什么“数据最小化”仍适用于不上传原始数据的FL？
- 一个模型性能提高但最差客户端、安全和能耗恶化的项目是否成功？
- 为什么每个联邦项目都必须重新核对法域、参与方角色和当前规则？
🔍 参考答案
- 法律还要求处理目的、角色、权利、跨境和问责，密码协议只覆盖特定信息流。
- 统计、系统、安全、经济和法律治理。
- 梯度、ID交集、模型和预测也可能超出任务必要范围。
- 不能仅凭平均精度判定，应按项目约束和多维指标验收。
- 因为适用规则取决于项目发生地、数据主体、机构角色、数据类型、处理目的和规则版本，其他项目的结论不能直接照搬。
🧪 从理解到研究（进阶）
可证伪问题：当联邦系统支持参与方退出或数据删除请求时，仅停止未来参与是否足以消除其历史影响；现有联邦遗忘方法能否在给定误差界内接近从未见过该数据的重训练模型？
指标：参数/预测距离、成员推断优势、遗忘时间、重训练成本和剩余客户端效用。