分布式学习，尤其是联邦学习（FL），正迅速成为机器学习领域的主流范式，满足了上述两个特性。联邦学习与云边缘（CloudEdge）的扩展同步发展，但有趣的是，尽管二者具有天然的并行性，但它们的发展却大多是独立进行的。在 MLEDGE（云端和边缘机器学习）项目中，IMDEA Networks 将携手首席研究员 Nikolaos Laoutaris 博士，致力于扭转这一趋势，在 CloudEdge 之上构建一个独立但经过优化的跨行业层，并利用真实应用和数据来证明这种协同效应能够为各方带来显著效益。.

预计到 2025 年，数据经济将对 27 个欧盟国家产生 8270 亿欧元的影响 ⁽¹⁾。因此，目标是建立一个蓬勃发展的安全高效的边缘 FL 服务生态系统，能够促进使用敏感的个人和 B2B 数据来训练机器学习模型（适用于个人最终用户或在不同的信任假设下合作的行政独立组织——从完全信任到零信任，以及介于两者之间的任何级别）。

效率、可持续性和安全性。
正如IMDEA Networks的博士后研究员Elisa Cabana所指出的：“该项目的研究领域包括联邦学习服务（FLaaS）、云边缘处理、混合云中联邦学习的高效利用、攻击防护、敏感或机密数据交换保护、边缘数据可移植性挑战管理等等。” 在此背景下，团队将设计一个开发框架和组件，以帮助推广此类服务，并提供针对恶意边缘服务器和/或“诚实但好奇”的聚合节点发起的投毒或推理攻击的解决方案。这包括创建水印，以防止在FLaaS框架内边缘服务器之间交换的数据或元数据被重新分发。

卡巴纳总结道，其他关键方面包括： “构建一个经济和商业逻辑层，在参与机器学习模型训练的各方之间公平分配成本和收益；支持DevOps（一套结合软件开发和IT运维的实践，旨在加速软件开发生命周期并提供持续、高质量的交付）以及基于云的机器学习服务的持续开发；通过监控、预测和智能、节能地分配计算任务来优化成本。” 该研究还将有助于设计、实施和公开部署演示系统，这些系统能够处理敏感的个人数据，并为金融科技、身份认证、医疗保健、交通运输、门禁控制等传统和数字经济领域的实用模型提供数据支持。

技术向社会转移：
该项目的创新将为在国际范围内使用云端联邦学习和联邦数据架构（例如IDSA或Gaia-X等机构定义的架构）创造有利的市场环境。这将催生出对解决经济中数据孤岛相关的重大经济、商业和社会挑战具有重要意义的创新。“MLEDGE将使更多组织和个人（包括中小企业和政府机构）能够使用先进的联邦学习技术，并将促进价值链上所有参与者（机器学习专家/提供商、云和数据服务提供商、传统和数字产业、公共部门、学术界等）创建可持续的业务，”IMDEA Networks研究教授兼该项目首席研究员Nikolaos Laoutaris表示。
该项目对于西班牙云和机器学习/联邦学习基础设施的发展以及促进国家研发创新至关重要。它将有助于实现联合国为 2030 年设定的可持续发展目标，并通过能够对环境产生实质性积极影响的实际工作，促进高效网络和 FL 解决方案的可持续发展。

关于技术解决方案，以下几个方面尤为突出：
1. 传统经济（建筑、金融、医疗保健等）。企业将开发应用案例，利用联邦机器学习（FL）的数据或模型来改进流程或决策（例如，实时改进）。2
. 数字经济。例如，在数字健康领域，可以利用移动设备或可穿戴技术的信息。另一个例子是训练数字广告模型。3
. 云边缘基础设施优化。这是 MLEDGE 的一项关键功能，它将采用联邦机器学习算法。MLEDGE
（云端和边缘机器学习）项目由欧盟下一代计划 (NextGeneration-EU) 资助（2023 年 1 月至 2025 年 6 月）。

（1）2025-2030年欧洲数据战略