4. 模型更新治理的法律与合规框架

联邦学习常被宣传为“数据不出域”，但这句话只描述了原始数据的位置，并不等于模型更新天然合规。梯度、嵌入、软标签、模型参数都可能携带训练样本的信息，一旦被聚合、记录、导出或跨境传输，就会落入数据保护法的管辖范围。本节把模型更新治理拆成四条相互咬合的合规主线：数据最小化、目的限制、跨境传输与算法问责，并给出可落地的工程控制点。

一、四条主线的法律含义与工程映射

数据最小化要求收集与处理的个人信息“限于实现目的所必需的最小范围”。在联邦学习中，它对应三层约束：参与方本地只保留训练所需字段；上传的更新维度、精度、频次不超过聚合所需；服务端不额外留存可还原个体的中间量。例如，若聚合只需要每层梯度的均值，就不应上传逐样本梯度或带时间戳的原始更新。

目的限制要求处理目的明确、具体，且后续处理不得与初始目的不相容。工程上体现为“一次训练任务对应一个目的声明”，更新数据不得被复用于风控画像、广告定向等未声明用途。若确需二次利用，应重新评估合法性基础并履行告知或取得同意。

跨境传输关注更新数据是否从一法域流向另一法域。即便只传输模型参数，只要该参数可关联到特定自然人，就可能构成个人信息出境。常见合规路径包括：安全评估、标准合同、认证，以及针对敏感信息的单独同意。工程上需要明确“谁在哪个区域接收、存储、再分发”更新。

算法问责要求对自动化决策具备可解释、可追溯、可救济的能力。联邦学习中的问责对象不仅是最终模型，还包括聚合规则、参与方筛选、更新裁剪与噪声注入等治理动作。没有版本化记录和审计日志，就无法在争议发生时证明合规。

二、数据最小化：从“少传”到“不可还原”

数据最小化在联邦学习里不是一句口号，而是可以量化的工程指标。假设某横向联邦任务中，参与方本地有 20 个特征字段，但聚合模型只使用其中 12 个，那么上传更新时就应只保留这 12 个维度对应的梯度分量，其余置零或直接裁剪。进一步地，可以把梯度做稀疏化：只上传绝对值最大的 k% 分量，其余以 0 代替。示例参数下，若 k=10%，上传通信量可降至原来的十分之一，同时配合安全聚合，服务端只能看到聚合后的稀疏结果。

但“少传”不等于“不可还原”。研究表明，即使只上传梯度，攻击者仍可能通过梯度反演重建训练样本。因此最小化还需要叠加噪声注入、梯度裁剪和差分隐私预算控制。一个可操作的判断标准是：在给定隐私预算 ε 下，评估重建攻击的成功率是否低于可接受阈值；若不能，就应继续降低上传精度或增加噪声。

三、目的限制：把“训练目的”写进数据流

目的限制的难点在于，联邦学习往往涉及多方，各方对“目的”的理解可能不一致。治理上应做到目的声明前置：在任务创建阶段就登记训练目的、使用范围、保留期限和禁止用途，并将该声明与任务 ID 绑定。更新数据在传输、存储、聚合的每个环节都携带任务 ID，任何脱离该 ID 的读取或复用都应被拒绝。

例如，某医疗联邦项目声明目的为“提升影像辅助诊断准确率”，那么更新数据就不能被用于保险定价或员工绩效评估。若机构希望将同一批更新用于科研论文发表，通常需要重新评估是否属于兼容目的；若不属于，则应重新取得授权或进行匿名化处理。工程上可通过用途白名单和访问控制策略实现：只有声明中列出的处理动作才被允许，其他请求直接拒绝并记录审计事件。

四、跨境传输：更新数据的出境判定与路径选择

跨境传输的合规判断，首先要回答“更新数据是否构成个人信息出境”。如果更新可关联到特定自然人，或者参与方本身位于不同法域，那么传输行为就受出境规则约束。常见路径包括：通过安全评估、签订标准合同、取得认证，或针对敏感信息取得单独同意。选择哪条路径，取决于数据敏感程度、接收方所在国家或地区的保护水平，以及传输是否属于履行合同所必需。

工程实现上，可以在聚合服务器前设置区域路由层：根据参与方和接收方的注册区域，决定更新是本地聚合、区域内聚合还是跨境聚合。跨境链路应使用加密通道，并记录传输时间、数据量、接收方标识和所依据的合规路径。若某次传输缺少对应评估或合同，路由层应直接阻断，而不是事后补录。

五、算法问责：让每一次聚合都可追溯

算法问责要求对自动化决策具备可解释、可追溯、可救济的能力。在联邦学习中，问责对象不仅是最终模型，还包括聚合规则、参与方筛选、更新裁剪、噪声注入和模型发布等治理动作。一个可落地的做法是建立“聚合决策日志”：每次聚合记录任务 ID、参与方列表、聚合算法及版本、裁剪阈值、噪声参数、聚合前后指标，以及审批人和时间戳。

当模型出现歧视性输出或性能异常时，审计人员可以沿日志回溯：是参与方数据分布偏移，还是聚合权重设置不当，抑或是某次更新被恶意投毒。若缺少这些记录，组织将难以证明自身已履行合规义务，也难以向受影响个体提供有效救济。因此，算法问责不是事后写报告，而是把可追溯性嵌入每一次模型更新的生命周期。

六、把四条主线落到一张治理清单

综合来看，数据最小化控制“传什么”，目的限制控制“为什么传”，跨境传输控制“传到哪”，算法问责控制“传了之后如何证明合规”。四者不是并列的四个文档，而是同一套模型更新流水线上的四道闸门。下表给出一份可直接参考的治理清单示例，字段和阈值需根据具体任务调整。

落地时建议按任务粒度执行：任务创建时填写目的声明和出境路径；训练过程中由路由层和聚合层自动记录控制参数；任务结束后归档审计证据。这样，模型更新治理就不再是合规部门的额外负担，而是联邦学习系统本身的一部分。