2022年度联邦学习领域首场重量级尖峰交流活动——尖峰对谈

订阅我们

新年伊始,全球领先的标准制定机构IEEE标准协会牵头,组织了2022年联邦学习领域首场重量级高峰交流活动。与创始人杨强教授强强对话亚洲学习博士,IEEE联合学习标准工作组主席,国际人工智能联合会(IJCAI)理事会前主席,微众银行首席人工智能官。两位联邦学习领域的顶尖学者从不同技术路线的研究和实践出发,就联邦学习的最新技术进展、国际标准的制定、生态系统的建设等进行了讨论和展望。

峰会演讲:联邦学习创始人的第一次思想碰撞

近年来,人工智能技术迅速应用于数千个行业。数据作为新时代重要的生产要素,是机构、领域乃至社会的基础性战略资源。这已成为全球共识。如何解决“数据孤岛”问题,确保数据安全和隐私保护成为行业核心问题。联邦学习作为新一代隐私计算的关键技术,能够有效解决AI协作和联合建模中的隐私保护和数据安全问题,实现“数据不动,模型动,数据可用”并且看不见”。专注于。

在联邦学习技术深入发展的关键期和转型期,IEEE标准协会组织了本次峰会对话,围绕联邦学习、生态建设、国际标准等多维度的技术突破和实践进展,两位科学家在联邦学习领域与国际名人进行了精彩的对话。

事实上,Blaise Aguëra y Arcas 博士和杨强教授历史悠久,都对联邦学习技术的历史留下了深刻的印象。2016年,Blaise Aguëra y Arcas博士的谷歌研究团队首次提出基于个人终端设备(C端)的“横向联邦学习”算法框架,正式将联邦学习的新技术配置引入人工智能领域. 2018年,杨强教授团队在国内率先提出了面向企事业单位(B端)的“垂直联邦学习”算法框架,成为打破企业与企事业单位之间“数据孤岛”的关键技术. 更通用的“联邦迁移学习”

如今,联邦学习已广泛应用于金融、医疗、智能营销等多个领域。它于 2019 年首次被纳入 Gartner 数据科学和机器学习技术成熟度曲线,成为最值得关注的技术趋势之一。. 在学术界、产业界和产业界的共同关注和推动下全国大学生电子设计竞赛教程:基于ti器件设计方法,联邦学习在技术研发、产业应用和国际标准制定等方面取得了高质量的发展成果,正迈向新的发展阶段。

国际共识:联邦学习技术发展进入“生态”阶段

在对话中,关于联邦学习的“标准化”建设,Blaise Aguëra y Arcas 博士和杨强教授一致认为,当前联邦学习的“标准化”有几个关键要素:应对持续升级的安全需求发展联邦学习、市场教育和商业化、构建联邦学习生态建设的激励机制等。

对于联邦学习生态的未来前景,无论是基于谷歌的C端业务实践还是国内企业级解决方案的应用,两位科学家达成共识:目前,联邦学习已经进入“生态”阶段,并分别就如何促进联邦学习生态系统的发展提出了具体的建议。

Blaise Aguëra y Arcas 博士做了一个生动的比喻,“数据迁移就像 DNA 的交换和运动。在一个巨大的有机体中,分散在不同细胞中的 DNA 可以从一个细胞横向转移到另一个细胞。同样如此。,联邦学习也像一个巨大的、分布式的有机体,它的宏基因组比任何一个特定的细胞都要大得多。”

Blaise Aguëra y Arcas 博士,联邦学习计划团队负责人全国大学生电子设计竞赛教程:基于ti器件设计方法,谷歌研究部副总裁

图片[1]-2022年度联邦学习领域首场重量级尖峰交流活动——尖峰对谈-老王博客

他表示,联邦学习解决了一般机器学习无法解决的问题,即在不牺牲隐私的情况下,实现生态内数据“基因”的流动。生态环境非常广阔,甚至可能超出我们的想象。.

杨强教授对此表示赞同,他认为现阶段机器学习的这种转变和自洽是人工智能进一步成熟的标志。在他看来,下一步是利用所有的数据仓库来构建小型模型,这些模型虽然没有物理共享,但可以并入模型网络中,以构建虚拟的预训练模型。“这个虚拟模型将更加活跃,在某种意义上更先进。对当前分布的更准确映射。”

国际标准:联邦学习“标准化”提供规则和通用语言基础

如何让这个联邦学习生态实现“自我进化”?杨强教授认为,中立的第三方和开源平台对于生态系统的健康发展至关重要。

亚洲联合学习创始人、IEEE联合学习标准工作组主席、国际人工智能联合会(IJCAI)理事会前主席、微众银行首席人工智能官杨强教授

他表示,一方面,中立的第三方组织参与共建,有利于在一定程度上消除参与者的疑虑;中立的第三方组织认可的“IEEE 联合学习国际标准”为众多参与者提供了公平使用和交流。明确的规则和共同的语言。另一方面,以 FATE 社区为例,联邦学习开源平台提供了丰富的学习和使用资源,让更多人使用,同时将底层代码公开可见,让每一个用户可以查看代码和系统,可以积极促进联邦学习的安全和隐私保护。

联邦学习的最大价值在于为隐私数据保驾护航,但如何保证技术本身的安全性呢?对此,杨强教授表示,在联邦学习成熟的过程中,也需要面对大家对技术的检验。在模型构建的过程中,从技术角度来说,无论是构建行业标准还是构建原则,大家都应该牢记平衡三点——安全与隐私、计算与通信效率、模型有效性。

Blaise Aguëra y Arcas 博士表示,“以上三者之间的平衡一直是业界致力于攻克的技术难题,谷歌也在探索安全聚合等一些技术来解决上述问题。在过去的几多年来,无监督学习的兴起给了我很多启发。” 他解释说,无监督学习可以通过不使用标签或降低对标签数量和质量的要求来快速降低深度模型的数据标注要求,从而使无法使用的数据现在可以添加到模型中。在训练中,然后质变是由量变引起的。他认为,无监督学习与联邦学习的融合将是未来一个新的研究方向。他对联邦学习的未来发展充满信心。他认为,不排除一些反对者为了引起关注夸大联邦学习的安全漏洞。“如果你真的参与了攻击,你会发现,在联邦学习技术的保护下,(攻击目标)是多么的困难。”

IEEE标准协会CXO和中国战略合作部主任王良娣博士作为对话的主持人,在总结中提到,两位科学家让我们看到了联邦学习是一个不断进化的有机体,色彩斑斓,保护了个人隐私用户和社会建设 信任是它的生命力。2022年,联邦学习将迈向超级“元生态”,为人类福祉服务。这两位科学家和他们的工作是其他人的榜样。让我们和他们一起,用联邦学习的技术、产业和生态,创造一个更美好的世界。

微信 | IEEE 电气和电子工程师

新浪微博|IEEE中国

· IEEE电气与电子工程师学会·

© 版权声明
THE END
喜欢就支持一下吧
点赞0
分享
评论 抢沙发

请登录后发表评论