Google运用联合分析技术，可保护用户隐私又能改善服务品质

Google扩展联合学习（Federated Learning）技术的想法，发展出联合分析（Federated Analytics）技术，能够在用于改善Google自家键盘Gboard，以及音乐辨识应用的准确度。Google表示，这项技术最大的优点，就是让使用者的资料留在本机上，但是工程师又能获取汇总分析资料改善服务。

联合学习是2017年才出现的新兴机器学习技术，能够跨多个装置训练模型，以非集中的方式收集资料，因此能保证使用者的资料不会被共用，Google目前运用这项技术，改善Android Gboard的下一个单词建议，以及Android Messages的智慧回复品质。

随着这些应用的成熟，联合技术被重新思考用来处理更基本的问题，像是计数或是比率等运算，Google提到，这些问题跟机器学习没有关系，但是可以用来分析用户行为，以改进产品体验。Google发展出了一个称为联合分析的技术，可以对储存在使用者装置中的资料，应用资料科学方法，与联合学习一样，其概念都是在各装置上，进行本地端运算，仅回传汇总资料给产品工程师，不会提供来自装置上的资料。

联合分析的发展，一开始是为了用来支援联合学习，因为联合学习训练出来的模型，工程师难以取得用户实际资料进行实测评估，因此Google决定让评估模型品质这个工作，也在用户的手机上进行。

Google举例，当Gboard工程师想要评估单词预测模型的品质，参与实验的手机下载了候选模型，并在本地端计算该模型的预测和实际输入单词间的差异，并上传比对结果，这过程不会修正模型权重，也不改变Gboard输入体验，只是单纯收集资料，透过多个使用者手机上传的指标，工程师就能了解模型的效能。

除了模型评估之外，联合分析还被用在支援Google Pixel手机上的正在播放（Now Playing）功能，正在播放工具可显示环境正在播放的音乐，音乐辨识的工作不需要连接网络，仅利用手机上的曲目指纹数据库进行辨识，不过，因为曲目指纹数据库仅会存放热门音乐，并且该功能只可辨识数据库中的歌曲，而相同地区使用者接受到的数据库都一样，因此在数据库中存放对的歌曲便非常重要。

为了评估每个区域数据库的品质，工程师要能够回答一些基本的统计资料，像是哪一种歌曲最常被辨识，这个时候联合分析技术就能派上用场。当正在播放功能辨识出歌曲时，便将曲目名称记录在历史纪录中，用户可以查看最近辨识的歌曲，在手机进入闲置并连接上无线网络时，Google联合学习和分析服务器，便会发出邀请，将数百台手机一起加入一轮联合分析计算。

这一轮分析中，每台手机都会计算其历史纪录中的歌曲辨识率，并使用安全聚合协定加密其结果（下图），将结果发送到联合分析服务器，该服务器没有单独解开加密结果的金钥，只有当加总同轮中的所有手机加密计数，服务器才能解密结果。这让Google工程师可以改进曲目指纹数据库，但是个别使用者的喜好又不会被暴露，Google提到，他们利用这个技术，提升所有Pixel手机总体歌曲辨识率5％。

这项技术可以被应用在许多功能上，像是Gboard工程师能探索用户常输入的新单词，并且添加到拼写检查和输入辞典中，另外，Google也运用这项技术，找出模型难以辨识的资料类型。Google提到，联合分析方法还在发展初期，需要提高准确度以回答更多资料科学问题。