ICS 35.240 GB CCS L 60 中华人民共和国国家标准 GB/T 46284—2025 人工智能 联邦学习技术规范 Artificial intelligenceTechnical specifications of federated learning 2025-10-05 发布 2025-10-05实施 国家市场监督管理总局 发布 国家标准化管理委员会 SAG GB/T 46284—2025 目 次 前言 III 范围 1 规范性引用文件 2 术语和定义 3 缩略语 联邦学习系统概述 5 5.1 联邦学习系统架构 联邦学习参与方 5.2 5.3 联邦学习任务流程 联邦学习系统功能要求 6 基础技术模块 6.1 6.2 计算模块 管理模块 6.3 7联邦学习系统性能要求 7.1 联邦数据探查 10 7.2 联邦建模 10 联邦推理 7.3 11 联邦数据质量及激励机制 8联邦学习系统功能测试方法 8.1 基础技术模块 11 计算模块 8.2 12 8.3 管理模块 13 联邦学习系统性能测试方法， 15 联邦数据探查 9.1 15 9.2 联邦建模 16 9.3 联邦推理 16 联邦数据质量与激励机制 9.4 16 参考文献 18 SAG GB/T 46284—2025 前言 本文件按照GB/T1.1一2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定 起草。 请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。 本文件由全国信息技术标准化技术委员会（SAC/TC28)提出并归口。 本文件起草单位：中国电子技术标准化研究院、深圳前海微众银行股份有限公司、中国移动通信有 限公司研究院、中国移动通信集团有限公司、中国工商银行股份有限公司、中电科大数据研究院有限公 司、深圳市洞见智慧科技有限公司、浪潮软件科技有限公司、浪潮软件集团有限公司、山东大学、哈尔滨 工业大学（深圳）、浪潮电子信息产业股份有限公司、中移（苏州）软件技术有限公司、亚信科技（中国）有 限公司、北京数膜科技有限公司、中国科学院计算技术研究所、OPPO广东移动通信有限公司、上海市 院、南方电网数据平台与安全（广东）有限公司、上海零数众合信息科技有限公司、马上消费金融股份有 限公司、交通银行股份有限公司、杭州高新区（滨江）区块链与数据安全研究院、杭州趣链科技有限公司、 北京浩瀚深度信息技术股份有限公司。 本文件起草人：范科峰、范力欣、马珊珊、钱文君、贾云飞、夏知渊、管桂林、王湾湾、林一伟、孟建、 吴建龙、聂礼强、邸贺亮、王肖斌、经琴、金银玉、王煜炜、付艳艳、饶雪、陈敏刚、何赛克、巫祖萍、杨光、 兰春嘉、邓伟洪、王光中、杜静漪、张晴、刘少凯。 SAG GB/T 46284—2025 联邦学习技术规范 人工智能 1范围 本文件确立了联邦学习系统架构、任务参与方和任务流程，规定了联邦学习系统的功能要求和性能 要求，描述了相应的测试方法 本文件适用于联邦学习系统的设计、开发、测试、使用及运维,开展联邦学习应用系统的横向比较并 选型。 SAG 注：本文件仅涵盖实现与支持联邦学习方法的系统功能和性能要求，对通用计算机软硬件及通信设备本身不作详 细规定。 2规范性引用文件 下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中,注日期的引用文 件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单)适用于 本文件。 GB/T 41867 7信息技术人工智能术语 3术语和定义 GB/T41867界定的以及下列术语和定义适用于本文件。 3.1 联邦学习 federated learning 多个参与方在保证各自原始数据不出数据方定义的可信域前提下，以保护隐私数据的方式交互中 间数据，从而协作完成人工智能、机器学习任务的方法 3.2 联邦学习系统federated learning system 综合的计算机与通信系统，用于实现联邦学习方法。 注：该系统不仅包含执行联邦学习算法的各类计算机软硬件（例如算法、CPU、GPU等），还包括支持各节点间远程 数据传输的通信协议和设备（例如网络设备和数据传输协议）。该系统确保各参与方能够在本地保护原始数 据隐私的前提下，通过交换中间模型更新（如梯度或参数）协同完成机器学习任务。 3.3 横向联邦学习horizontal federated learning 按样本划分的联邦学习方法，各参与方的数据集具有相同的特征空间和不同的样本空间。 3.4 vertical federated learning 纵向联邦学习 按特征划分的联邦学习方法，各参与方的数据集具有相同的样本空间和不同的特征空间。 1