全文总字数：4489字
1. 研究目的与意义（文献综述）
1.1联邦学习的意义及其外部性
现今，随着信息时代的发展，我们生活出现了越来越多的移动设备和可穿戴设备，例如智能手机、智能手表、智能手环和平板电脑等等。这些设备每天都会产生大量并且形式各异的数据，而且由于计算能力、数据传输和个人隐私安全的限制，这些数据大多存在本地。而对于企业行业来说，他们因为行业竞争、隐私安全和行政手续复杂等问题，再加上日渐完善的隐私保护立法，想要把公司生产和顾客生活中的种种数据都整合起来几乎是不可能的。而且就算能够整合起来，所需要的成本也是巨大的。更别说与其他的公司进行数据上的合作，为客户提供更加优质的服务。
于是为了保证数据隐私安全并解决数据孤岛问题，急需一种新型机器学习的出现。在2016年google公司首次提出了联邦学习框架。联邦学习的主要思想就是分布在多个设备上训练学习模型，同时又可以避免数据泄露。
2. 研究的基本内容与方案
2.1研究的基本内容
首先要对联邦学习的外部性进行分析。在了解联邦学习的基本概念和应用后，还要更进一步地认识联邦学习外部性的特征和影响。因为研究涉及到信息交易，所以还要展现通信消费者对所消费的信息商品的满足程度。因此，需要建立数学模型来描述用户的需求程度。
3. 研究计划与安排
第1—3 周： 英文翻译，完成开题报告和文献综述
第4—6 周： 掌握联邦学习工作原理的理论知识。
第6—10 周：建立外部性分析的效用模型，并通过博弈论对各个系统成员的优化策略进行求解。
4. 参考文献（不低于12篇）
[1]杨强，刘洋，陈天健，童永昕. “能够保障安全隐私的大数据算法「联邦学习」到底是什么？”. 中国计算机学会. 北京. 2018年11月20日.
[2]wei yang bryan lim，et al. “federated learning in mobile edge networks: a comprehensive survey”. arxiv:1909.11875 [cs.ni]. sep 2019.
[3]peter kairouz，et al. "advances and open problems in federated learning". arxiv:1912.04977v1[cs.lg]. 10 dec 2019.
