AIRS in the AIR | 联邦学习系列讲座精彩回顾

六

月

回

顾

联邦学习

01. Salman Avestimehr & Chaoyang He

02. Leandros Tassiulas & Qiang Yang

03. Bing Luo & Shiqiang Wang

04. Peter Kairouz & Bo Li

01. Salman Avestimehr & Chaoyang He

视频回顾：https://www.bilibili.com/video/BV1RY4y1x7Va

联邦学习可以直接在边缘实现去中心化机器学习，以增强用户的隐私，遵守法规，并降低开发成本，是一种很有前途的方法。——Salman Avestimehr（FedML 联合创始人兼 CEO）

FedML 的使命是 AI 构建与生产力分享社区，第一阶段聚焦在 federated and distributed learning 的 MLOps，Edge AI SDK 以及开源社区运营，满足各行各业的系统落地（B2B）以及科研需求（B2D）。——Chaoyang He（FedML 联合创始人兼 CTO）

02. Leandros Tassiulas & Qiang Yang

视频回顾：https://www.bilibili.com/video/BV1eL4y1N7pd

联邦学习允许从边缘/移动设备收集的本地数据进行机器学习模型训练，同时保护数据隐私。——Leandros Tassiulas（耶鲁大学 John C. Malone 讲席教授）

联邦学习是人工智能和隐私计算的重要交集。如何使联邦学习更加安全可信和高效是今后产业和学界关注的重点。——Qiang Yang（微众银行首席人工智能官）

03. Bing Luo & Shiqiang Wang

视频回顾：https://www.bilibili.com/video/BV1Xf4y1o7ve

联邦学习的核心特点是参与方具有较大的数据统计和系统资源异构性，在确保模型训练的有效性前提下，需要通过设计高效的优化控制算法和符合市场运行规则激励机制设计准则来提高联邦学习的高效性。——Bing Luo（AIRS-耶鲁大学联合博士后研究员）

联邦学习面临的一个挑战是数据和模型特征在不同的任务中有很大的差异，一个配置不当的联邦学习任务可能会浪费大量的计算/通信资源，并可能导致训练的模型偏离最优结果。——Shiqiang Wang（IBM T. J. Watson 研究中心研究员）

04. Peter Kairouz & Bo Li

视频回顾：https://www.bilibili.com/video/BV1xY4y1n7FS

联邦学习的特点是：数据是由本地生成且去中心化的、每个客户端仅储存自己的数据且不能读取其他客户端的数据、数据是非分布式的。这使得联邦学习与其他的学习方法不同，是一种新的、有趣且值得研究的方法。——Peter Kairouz（Google 研究员）

我想我们无需再强调联邦学习在我们现实世界中有多受欢迎，它可以应用到很多领域，比如自动驾驶、智慧城市、分布式智能医疗等。——Bo Li（伊利诺伊大学厄巴纳-香槟分校 助理教授）

感谢观众小伙伴对 AIRS in the AIR 活动的支持，我们也非常希望听到大家的宝贵意见与想法，以便日后带来更精彩的活动。

您对活动有哪些意见建议？未来还想了解哪些内容？欢迎在 AIRS 公众号后台留言。同时，您将有机会得到精美礼物。

相关阅读

AIRS in the AIR 往期视频回顾请前往哔哩哔哩观看：https://www.bilibili.com/video/BV1yr4y1z7zr/?spm_id_from=333.788

（五月活动回顾）

（四月活动回顾）

（三月活动回顾）