---
title: "NIST 发布联邦学习测试平台及基因组数据集"
dek: "NIST 表示，新发布的开源资源支持比较训练配置和差分隐私设置；公告未提供隐私或性能的实测结果。"
---

NIST 国家网络安全卓越中心（NCCoE）于 2026 年 10 月 29 日宣布，发布开源隐私保护联邦学习（PPFL）测试平台和一套整理后的基因组数据集。这些资源属于 NIST 隐私增强技术（PETs）测试平台项目，旨在帮助机构探索如何在降低隐私风险的同时使用敏感数据。[^1]

据 NIST 介绍，该软件支持集中式训练和跨站点联邦训练，两种模式均可选择是否启用差分隐私。联邦学习让训练数据保留在各参与站点；差分隐私通过加入经过校准的噪声，限制模型透露单条记录的信息，但会牺牲一定准确率。测试平台允许用户比较不同配置和隐私设置对模型性能的影响。[^1]

配套数据集来自美国农业部（USDA）的 Soybean Germplasm Collection，涵盖超过 18,000 份大豆种质材料，即个体记录。NIST 称，这套数据已整理为可用于机器学习的形式，为比较不同测试平台配置提供共同基础。首个用例是基因组学；NIST 还表示，该软件只需少量配置即可处理许多表格数据集。公告提及 2025 年的一次公开红队测试，但未提供其发现。[^1]

:::analysis
这项声明涉及 T6（评估层）和 T2（运行时层）：这些资源支持配置比较，而实际部署系统的隐私表现仍需由其具体设置的证据来支撑。用户和运营方应核实自身实验所用的软件版本、训练模式、数据集及差分隐私设置；公告没有给出发布版本号、建议采用的修复版本或实测隐私保障。这里关系到的可核查属性是可识别性：如果为用户提供服务的确切版本和配置有记录且可供核查，用户就能判断自己是否曾受后来发现的问题影响；本公告并未确认存在这样的记录。[^1]
:::

:::checked
我们于 2026 年 11 月 3 日阅读了 NIST 于 2026 年 10 月 29 日发布的《Privacy-Preserving Federated Learning (PPFL) Testbed and Curated Dataset》公告的保存文本。这次阅读确认了 NIST 公告的内容。我们没有检查其链接指向的代码仓库或数据集，没有运行该系统，也没有独立测试隐私或性能。[^1]
:::

[^1]: NIST，《Privacy-Preserving Federated Learning (PPFL) Testbed and Curated Dataset》，2026 年 10 月 29 日。https://www.nist.gov/news-events/news/2026/10/privacy-preserving-federated-learning-ppfl-testbed-and-curated-dataset
