随着数字化技术进入高速发展期,大数据和人工智能等技术迎来爆发式展,随之而来的是数据的隐私和安全问题。如今人们越来越重视数据隐私安全,因此各国都在加强对数据安全和隐私的保护,制定了各项法规。这些法规的建立在不同程度上对人工智能传统的数据处理模式提出了新的挑战。要解决大数据的困境,仅仅靠传统的方法已经出现瓶颈。2016年联邦学习作为解决当前困境的方案之一被谷歌研究院率先提出。在联邦学习过程中,训练数据仍然保存在参与者本地的这种机制既能实现对各参与者训练数据的共享,又能保证对每个参与者隐私的保护。因此联邦学习一经提出,就得到广大学者的青睐。然而,传统联邦学习算法大多是基于梯度算法实现的,其存在如收敛速度慢、易陷入局部极小点、对初始参数的设定依赖性较强等难以解决技术瓶颈。随机权增量神经网络作为一种轻量级、快速的浅层神经网络,将其引入联邦学习将是解决上诉问题的有效方案,然而其随机性和增量学习特性将给联邦学习的实现带来诸多挑战问题,为此本文开展面向分布式数据安全的随机权神经网络联邦增量学习方法研究,主要创新工作概括如下:（1）提出一种基于随机权增量神经网络的横向联邦增量学习方法（Horizontal Federated Incremental Learning Method with Random Weight Neural Network,HFIRWNN）,针对边端数据集具有相同特征空间和不同样本空间的应用场景,以随机权神经网络作为边端模型,通过构建联邦增量学习方法,实现了数据隐私安全下的分布式协同建模。（2）提出一种基于随机权神经网络的纵向联邦增量学习方法（Vertical Federated Incremental Learning Method with Random Weight Neural Network,VFIRWNN）,针对边端数据集具有相同样本空间和不同特征空间的应用场景,将特权信息范式引入联邦学习,构建了一种的新型纵向联邦框架,解决了传统纵向联邦框架中各边端相互依赖、难以独立应用的难题。（3）为提高边端随机模型的学习效率,引入随机配置网络,提出基于随机配置网络的联邦增量学习方法（Federated Incremental Learning Method with Stochastic Configured Networks,FSCNs）。针对横向联邦学习,结合监督机制的特点,对隐层节点构建了加权聚合策略（Weighted Aggregate Strategy,WA）和贪婪选择策略（Greedy Choice Strategy,GC）,每种策略分别设计了速度优先算法（speed priority algorithm）和质量优先算法（quality priority algorithm）。针对纵向联邦学习,将监督机制与特权信息范式相结合,提出了纵向联邦SCNs（Vertical Federated Learning SCNs,VFSCNs）,解决了传统纵向联邦框架必须依赖合作方进行联合预测的缺陷。此外,HFSCNs和VFSCNs解决了HFIRWNN和VFIRWNN隐层节点存在一些对模型没有贡献或贡献不大的问题。综上所述,为了应对数据隐私安全下的协同建模问题,本文以随机权神经网络作为边端学习,重点研究横向联邦增量学习和纵向联邦增量学习方法,针对不同现实场景构建了不同的学习算法,将联邦学习发展为增量学习模式。