摘要
联邦学习（Federated Learning, FL）作为一种分布式机器学习范式，被视为在不直接共享原始数据前提下进行协同建模的技术路径，从而兼顾数据价值挖掘与隐私保护。然而，技术上的“去中心化不共享原始数据”并不必然解决伦理、法律与所有权问题：从个人主体的知情同意，到机构间的数据控制权与治理责任，再到数据作为“资源”的财产权界定，联邦学习引出了复杂的哲学与实践命题。本文从多学科视角出发：首先回顾联邦学习的技术与隐私保障手段及其局限；其次梳理数据所有权的哲学传统与现代信息法学视角；再次围绕隐私伦理（包括尊重、正义、信任与公平）探讨联邦范式下的独特问题；最后提出若干治理框架与政策建议，并通过医疗与金融两类典型应用场景进行伦理-法律-工程层面的综合评估。本文强调：联邦学习并非伦理万能药，必须配套严格的治理、透明与问责机制，才能使技术承诺转化为社会信任与正当性。(arXiv)
关键词：联邦学习；隐私伦理；数据所有权；治理；信任；公平；隐私保护技术
1 引言：问题的提出与研究范围
联邦学习在过去十年里迅速从学术概念走向产业实践，被广泛引用于医疗、金融、移动设备智能化等场景。技术倡导者将其描述为“在不泄露原始数据的前提下实现跨机构学习”的解决方案，因此备受监管机构、企业与研究者关注。然而，技术约束（例如仅传输模型更新或统计量）并不是伦理问题的终结点。谁拥有“训练出的模型”所蕴含的知识？模型输出对输入数据主体的权利影响如何界定？当模型在决策中影响到个人（例如医疗诊断、信用评分）时，产生的责任应由谁承担？更基本地，数据本身作为可被数字化、复制与再利用的“资料”，其所有权与治理该如何从哲学与法律上合理界定？本文旨在围绕这些问题提供系统性的研究与建议，交织技术、伦理学、法学与哲学的讨论。(arXiv)
2 技术回顾：联邦学习的隐私承诺与局限
2.1 联邦学习的基本范式与隐私工具箱
联邦学习的基本工作流通常包含：服务器下发初始模型；客户端在本地数据上进行若干轮训练并仅上报模型差分或梯度；服务器聚合更新并迭代。为了提升隐私保障，常结合的技术包括差分隐私（DP）、安全多方计算（MPC）、安全聚合（secure aggregation）、同态加密与模型更新的稀疏化/压缩等。此外，还有联邦分析（federated analytics）在不搬运数据的前提下实现统计汇总。上述技术在理论或工程上不同程度地降低了数据泄露风险，并被推广为“隐私优先”的技术栈。(arXiv)
2.2 隐私威胁的多样性与实证攻击
尽管如此，学术与工业界已反复指出：仅靠联邦学习的架构不能避免信息泄露风险。攻击形式包括模型反演（model inversion）与成员推断（membership inference）、梯度/更新反向推断训练数据样本、模型中毒与后门注入等。更重要的是，差分隐私或安全聚合在实际部署中常面临效用-隐私的显著权衡：高强度的隐私噪声会降低模型性能，而弱化的保护又难以抵挡先进攻击。由此可见，联邦学习是隐私减轻措施的一个环节，但不能替代更全面的伦理与治理安排。(ACM Digital Library)
结论小结：技术上“数据不出本地”是进步，但并不等于“无风险”；工程实现中的参数选择、协议实现与部署环境都深刻影响隐私与责任边界。(SpringerLink)
3 数据所有权的哲学脉络：从劳动价值论到信息主体权
3.1 所有权的传统哲学基础
哲学上对所有权（property）的论述由来已久。劳动力价值论（Locke）的“劳动混合说”主张通过劳动对自然资源的占有可以正当化所有权；而更现代的自由主义传统（如罗尔斯）关注资源分配的正义性与制度正当性。对“数字资料”是否可依据传统财产原则直接适用一直存在争议：数字资料的可复制性和非排他性挑战了传统财产权的基础。学者因此提出“新型智财范式”或“数据作为共享资源”的观念。
3.2 信息伦理学与主体权（informational self-determination）
20 世纪的信息伦理学强调主体对其信息的自决权（informational self-determination）。在欧盟与多国数据保护法中，这一理念体现在对个人数据处理的同意、可访问、删除和更正权利中。联邦学习促使我们把“谁控制原始数据”与“谁控制由数据衍生出的模型权能”分离开来：即使数据主体保有对原始数据的控制权，模型作为产出可能仍被机构控制，从而在权利分配上形成张力。(pmc.ncbi.nlm.nih.gov)
3.3 数字劳动论与数据劳工（data labor）视角
近年来“数据劳动”或“数据劳工”概念兴起：数据生产不是自发的自然赋予，而往往是主体付出注意力、时间、创造性劳动等人的活动。基于此，部分哲学家与社会学者主张赋予数据贡献者某种利益分享或补偿权，尤其在模型商业化的情形下。这一视角为联邦学习的参与者权益提供了伦理基础：即便数据不出库，参与训练的贡献应该得到可见的回报或控制权。
小结：数据所有权的哲学问题不仅是“谁拥有”这一静态命题，更牵涉到“谁能控制、谁能受益、谁承担责任”的动态分配问题。
4 法律与监管框架：现行法如何涵盖（或不涵盖）联邦范式
在欧盟《通用数据保护条例》（GDPR）框架下，个人对其数据享有诸多权利（访问、更正、删除、限制处理、数据可携带）。联邦学习在形式上能减少个人数据离开控制域的需要，这对合规有积极意义；但若联邦模型权能被看作“衍生品”或“可识别”的统计产出，则相关输出仍可能构成个人数据处理行为，从而触发合规义务。此外，GDPR 的“目的限定”和“最小化原则”要求任何数据处理活动需要明确目的与必要性，联邦训练的多机构协作须在契约层面清晰界定目的与使用范围。监管角度对联邦学习的技术与治理提出了双重要求：一方面承认分布式技术带来的合规优势；另一方面要求透明、问责与数据主体的可控权利实现。(责任技术采用单位博客)
4.2 合同法与数据共享协定（Data Sharing Agreements）
当多个机构参与联邦训练时，常通过合同明确权利义务：数据可用范围、模型的知识产权归属、收益分配、责任承担和争议解决机制等。合同并非万能——尤其当牵涉到个人权利或公共利益时，私法安排需接受公共监管与伦理审查。因此在联邦生态中，合约化治理应与法规标准并行。(pmc.ncbi.nlm.nih.gov)
4.3 监管机构的关注点与政策建议演化
监管机构对联邦学习的态度是审慎乐观：一方面，它被视作实现合规数据使用的一种技术路径；另一方面，监管者提醒技术并非合规替代，人为因素、协议实现缺陷、以及模型输出的后果都需被监管措施与审计机制覆盖。最近的政策与指南逐步强调透明度、隐私影响评估（PIA）与持续性审计。(责任技术采用单位博客)
5 隐私伦理的核心议题：同意、信任、公平与可解释性
5.1 重新审视“同意”概念
传统的知情同意假定数据主体能被充分告知处理目的与风险并做出自愿决定。然而，联邦学习中主体是否“真正”知情是复杂问题：一方面，数据或模型更新并不直接离开设备；另一方面，最终模型的用途、未来模型的再训练与转让、以及隐私攻击的方式都难以事先完全告知。因此应当考虑更为动的“持续同意”或“可撤回同意”机制，并结合透明、可解释的动态披露与审计。
5.2 信任：技术承诺与社会信任的差距
技术上可以用差分隐私或安全聚合等手段来限制信息泄露，但社会信任的建立还依赖透明的治理、外部审计与问责机制。若各参与机构间没有可靠的第三方监督或监管支持，公众对“联邦学习保护隐私”的信心可能不足，导致参与意愿低下或舆论压力。信任建设需要技术保障与制度保障双管齐下。(arXiv)
5.3 公平（Fairness）与分配正义
联邦学习在数据样本覆盖上具有潜力，可以整合分散群体的数据以减轻偏见；但现实中数据质量与可用性差异、参与意愿差异与机构资源不对等，可能导致模型偏向资源丰富或数据量大的群体。公平不仅是模型预测公正性，还包括参与机会的公正与收益分配的公正。伦理原则要求在设计联邦协议时把公平作为显性目标，并设计激励或补偿机制以鼓励弱势群体参与。
5.4 可解释性与问责性
当模型被用于影响个人利益（信用、医疗诊断等），模型的决策过程必须具备一定程度的可解释性与可追溯性。联邦训练的黑箱性与复杂聚合流程增加了追责难度。实现可解释性需要在系统设计层面保留可审计的记录（例如模型版本、参与方提交摘要、隐私预算消耗记录等），并提供机制以便受影响主体查询与申诉。
小结：隐私伦理在联邦范式下要从“单一技术保护”走向“制度-技术协同”的治理设计。
6 联邦学习中的特殊伦理挑战
在联邦范式下，出现了一些传统集中式学习不太突出但伦理上重要的新议题：
6.1 碎片化责任（Fragmented Responsibility）
当模型错误导致损害时，责任通常难以界定：是本地数据存在偏差导致本地更新引入偏见，还是服务器的聚合策略导致了系统性错误？多方参与、参数压缩、异步更新等机制都使因果链更长、责任分散。伦理上需要明确责任分配原则，例如基于贡献度的责任额度、合约中事先约定的保险/赔偿机制，及监管层面设定的最低保障标准。
6.2 数据主体被工具化（Instrumentalization of Contributors）
在许多联邦实验或商业部署中，个体或机构只是被视为“数据提供节点”——他们的数据被用于训练高价值模型，但数据主体可能无法分享到模型带来的经济价值或控制权。数据劳动论倡议提醒我们，不应把主体仅视为资源提供者，还应考虑参与者的回报、控制与尊严问题。适当的利益分享、模型收益分成或访问优先权，可能是伦理上更可接受的路径。
6.3 不平等的知识收益与垄断风险
机构间参与联邦训练后，模型性能的提升或技术知识的累积，可能集中流向大机构（如拥有更多计算资源或能在合约上占优者），反倒加剧信息不对称与市场优势。伦理上需考虑如何通过开放规范、共享收益机制与监管防止新型的数据-模型垄断。
6.4 隐性歧视与差分隐私的分配性影响
有研究指出差分隐私在不同子群体上可能分配不均，导致模型对少数群体的性能衰减更明显（即“隐私差别影响”）。因此在设定隐私预算时需考虑分配效应，单纯的全局ε值可能掩盖对脆弱群体的不利影响。伦理上需要考虑敏感群体的特殊保护策略与差异化隐私预算。(ACM Digital Library)
7 案例研究：医疗健康与金融场景的伦理-法律-工程分析
7.1 医疗健康：病人数据、知情同意与模型可用性
在医疗领域，数据敏感性极高，联邦学习因其“数据不出院”的特性而备受期待：医院可以在不共享患者健康纪录前提下联合训练诊断模型。然而医疗伦理与法律对“患者利益优先”有严格要求：即便模型提升了诊疗质量，若缺乏患者明确同意或算法决策导致误诊而无法有效追责，将触发伦理争议。实际部署建议包括：严格的伦理审查、患者层面的知情与撤回机制、对模型输出的临床可解释支持与公安级审计链。(pmc.ncbi.nlm.nih.gov)
7.2 金融领域：信用评分、合规与市场透明度
金融机构参与联邦合作训练信用或欺诈检测模型时，既可以获益于更广泛样本以提升模型鲁棒性，也面临合规（反洗钱法、消费者保护法）与反歧视要求。另一个关键点是市场参与者可能因掌握更优模型而获得不对称竞争优势，监管机构需要在鼓励技术创新与防止市场操纵之间平衡。法律上，金融数据受各国监管差异影响，跨境联邦训练尤其复杂，需要在合约层面清晰界定数据处理目的与合规方针。(The Singapore Law Gazette)
8 倡议与治理设计：可解释的审计、参与者权利、隐私预算与合约式治理
8.1 可审计的技术与制度设计
不可篡改的审计日志：记录模型版本、每次训练轮次的参与方摘要、使用的隐私参数（如 DP ε 值）与安全协议版本；这些日志可采用分布式账本或安全时间戳服务保存以提高信任感。
隐私影响评估（PIA）与伦理预审：在启动跨机构联邦项目之前进行 PIA，并在部署过程中定期复核。
第三方独立审计：引入独立审计机构对协议实现、安全性与合约遵守情况进行定期评估。
8.2 参与者权利与收益分配机制
透明的收益分配规则：若模型产生直接经济价值，应在参与前通过合约明确收益分配机制（可基于 Shapley 值类的贡献度分配方法，但需考虑实现复杂性）。
数据贡献者的查询与撤回权：在可能的技术与法律框架内实现一定程度的数据控制权，例如允许机构在未来的联合训练中选择退出或限制用途。
8.3 隐私预算管理与差异化保护
动态隐私预算管理器：在联合训练系统中嵌入隐私预算追踪器，公开消耗并允许参与方知晓其隐私预算被如何使用。
差异化保护策略：对脆弱或少数群体设定更保守的隐私参数，或对这些群体在评估/发布模型时实施额外保护措施以避免性能损害。
8.4 合同与合规对照清单
在启动联邦项目时，应该列明合规要点：处理目的、保存期限、数据控制与访问规则、责任与赔偿机制、退出与数据删除条款、以及监管合规审计通道。
9 哲学反思：数据、主体性与民主——所有权之外的价值考量
9.1 数据不是单纯的物，而是社会—政治—技术的产物
把数据仅仅视作一种可交易的商品，会忽略其关系性与嵌入社会结构的特征。信息哲学提醒我们：数据的意义常依赖于语境、解释链与用途。因此对联邦学习的伦理评估不能只考量产权归属，还需审视用途合理性、解释的正当性与决策的社会后果。
9.2 民主价值与分布式治理
在大规模的跨机构合作中，治理不是技术者或少数公司能够单方面决定的议题。引入多方代表（监管机构、民间组织、用户代表）参与治理委员会，能够提高透明性与正当性。同时，民主视角也要求对模型可能带来的社会分布性风险进行公共讨论与审查。
9.3 未来的伦理范式：从“个人权利”到“集体权利”的再思考
联邦学习中，数据常由许多主体共同构成模型价值，因此单一主体的权利保护不足以全面解决伦理问题。需探索“集体数据权利”（collective data rights）或“数据共同体治理”（data commons）的制度安排，以应对跨个体、跨组织的治理需求。
10 实务建议：设计、部署与监督的操作性路线图
为了把上文的伦理与哲学反思落地，提出以下操作性建议：
启动前的伦理与合规审核（PIA + 合约）：明确目的、范围、收益分配与退出机制；
选择合适的隐私技术栈并公开隐私参数：将 DP ε 等量化隐私参数写入合约并可供审计；
建立多方治理架构：包括监管代表、第三方审计、参与方代表与利益相关方代表；
设立独立的模型后果监测机制：持续监控模型的偏差、对少数群体的影响、以及潜在滥用风险；
制定透明的沟通策略：对参与机构、数据主体与公众披露项目目的、潜在风险与权益保障；
利益共享机制：通过合约或平台机制反映贡献者对模型价值的分享权利（可为货币、服务或数据访问权），并在必要时采用类似合作社的治理形式。
11 结论：技术、伦理与政策的协同路径
联邦学习在隐私保护与跨机构协作方面提供了重要的技术工具，但它本身不是伦理或法律问题的终结者。我们需要把技术与制度设计结合起来：通过透明的隐私参数、公平的收益分配、可审计的治理机制与民主参与，才能把联邦学习的潜力转变为对社会负责的实践。哲学上，需要超越对“谁拥有数据”的狭隘追问，转而构建关于“谁能控制决策结果、谁能分享收益、谁为风险负责”的全面伦理框架。只有在技术、法律与社会治理三者协同的前提下，联邦学习才可能兑现其关于隐私与社会价值的承诺。(arXiv)
参考文献（节选）
下面列出本文撰写时参考的代表性资料（节选）。正文中若干核心论断与政策建议参考了以下文献与政策评论：
综合综述与政策视角：Federated Learning: A Survey on Privacy-Preserving … (Survey 2025). (arXiv)
伦理批判与现实局限讨论：Bak et al., “Federated learning is not a cure-all for data ethics”, Nature Machine Intelligence, 2024. (arXiv)
联邦治理与数据管家（Data Steward）视角的系统综述（Scoping Review, 2025）。(pmc.ncbi.nlm.nih.gov)
隐私攻击与防御的综述（ACM Survey on FL Privacy Attacks and Defenses）。(ACM Digital Library)
联邦分析与监管考虑：Federated Analysis for Privacy-Preserving Data Sharing（Frontiers/PMC），2023。(pmc.ncbi.nlm.nih.gov)