归属学者：

刘泽刚

归属院系：

行政法学院（纪检监察学院）

作者：

刘泽刚

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。

语种：

中文

出版日期：

2025-01-13

学科：

人工智能法学; 宪法学与行政法学

收录：

北大核心期刊; 中国科技核心期刊; CSSCI

提交日期：

2025-01-13

引用参考：

刘泽刚. 人工智能时代联邦学习隐私保护的局限及克服[J]. 中外法学,2025(01):65-84.

全文附件授权许可：

知识共享许可协议-署名