查看原文
其他

精彩回顾 | “可信联邦学习”首次亮相国际人工智能顶级学术会议,聚焦多项技术发展核心命题


联邦学习作为一种安全的分布式机器学习技术,为AI应用打通数据不足与数据安全的“最后一公里”而备受关注,连续两年进入Gartner技术成熟度曲线,成为隐私计算关键技术和人工智能领域最值得关注的前沿技术。而随着技术研究与产业应用的深化,联邦学习技术也在发展迭代中进入“可信联邦学习”新阶段。

近期,首届可信联邦学习国际研讨会(FL-IJCAI'22)在第 31 届国际人工智能联合会议和第 25 届欧洲人工智能会议(简称IJCAI-ECAI 2022)大会期间举办。这是“可信联邦学习”首次以主题研讨会的方式出现在国际人工智能顶级学术会议。
此次国际研讨会(FL-IJCAI'22)分为线下和线上两部分进行。其中线下研讨会在当地时间7 月 23 日在奥地利维也纳举行,线上研讨会于北京时间8 月 3 日举办。研讨会由微众银行、香港科技大学、新加坡南洋理工大学、星云Clustar、第四范式,FATE开源社区等企业及高校和研究机构联合举办,FedML提供赞助,汇聚了众多联邦学习领域研究与应用带头人及优秀的青年学者。7位特邀演讲嘉宾带来最新的研究与应用成果,25篇优秀论文的口头报告围绕性能与效率提升、数据安全保护机制、多方合作中的激励机制等可信联邦学习技术发展的核心命题,以及通信、医疗等多行业的应用实践全景化呈现可信联邦学习未来发展蓝图。


国际大师齐聚

助力可信联邦学习大发展


线下研讨会中,美国南加州大学及USC-Amazon 安全可信机器学习中心(可信 AI)创始主任Salman Avestimehr围绕《Social, Secure, Scalable, and Efficient Federated Learning》分享了联邦学习安全性、高效与可拓展性的平衡;欧洲人文和自然科学院(Academia Europaea)院士、比勒费尔德应用技术大学洪堡教授金耀初以《Privacy-Preserving Bayesian Evolutionary Optimization》为主题提出隐私保护中贝叶斯优化的新方法。8篇优秀的研讨会入选论文进行了口头报告,其中《A General Theory for Client Sampling in Federated Learning》和《Visual Transformer Meets CutMix for Improved Accuracy, Communication Efficiency, and Data Privacy in Split Learning》两篇论文分别获得“最佳论文奖”及“最佳学生论文奖”。AAAI Fellow、瑞士洛桑联邦理工学院计算机科学系系主任Boi Faltings,加拿大阿尔伯塔大学ML实验室创始人Randy Goebel,微众银行人工智能首席科学家范力欣等知名学者出席了线下研讨会。


AI大咖云集

聚焦联邦学习应用与发展新趋势


线上议程中,加拿大皇家科学院及工程院两院院士、FATE开源社区技术指导委员会主席、开放群岛(Open Islands)开源社区执行主席、香港科技大学讲席教授杨强以《Trustworthy Federated Learning》为题进行了keynote报告,他指出,“可信联邦学习”,是在联邦学习分布式联合建模的基础上,加入安全可信的机制,同时,又能够保证整个模型高效可用、可管理、可审计、并且具有普惠性。目前可信联邦学习在理论研究、标准制定、开源、行业应用等方面都取得了长足的发展。

英伟达医疗保健生态系统中国区经理冀永楠在主题演讲《NVIDIA FLARE for Federated Learning in Healthcare》中分享了联邦学习在医疗领域的典型应用案例,例如利用联邦学习进行新冠(COVID-19)预测、医疗机构的跨机构合作等,阐释了联邦学习在准确性(accuracy)、隐私保护(privacy)、可用性(ready)等方面的优势,同时介绍了英伟达FLARE平台的相关实践。

中国电信研究院 IEEE SPFML-WG 和 IEEE C/AISC/FTFML 标准主席巫祖萍围绕《Practice in Privacy and Security of Federated Learning from China Telecom》分享了中国电信在联邦学习标准制定、平台建设方面的实践,其自研平台“天翼云诸葛AI” 目前已应用于银行营销获客、数据交易市场、智慧政务等多业务场景。

瑞士洛桑联邦理工学院(EPFL) 终身助理教授 Martin Jaggi 以《Towards Collaborative Learning - Personalization and Byzantine Robust Training》的主题演讲阐释了个性化和拜占庭鲁棒训练的方法,进一步提升联邦学习安全可信。

要实现联邦学习技术的普及、普惠,离不开联邦学习生态系统的构建。IEEE标准协会CXO、中国战略合作总监Victoria Wang 博士与杨强教授就联邦学习的生态构建中的标准化、开源、专利等核心问题进行了专家对话,他们表示,这场对话是关于“我们现在在哪里”,以及“需要什么才能到达那里”。不是为了给出最终答案,而是鼓励大家通过分享想法和经验来共同寻求解决方案。

除了大咖论道,17篇优秀入选论文的作者线上分享了最新的研究成果,其中《MetaFed: Federated Learning among Federations with Cyclic Knowledge Distillation for Personalized Healthcare》和《Cluster-driven Personalized Federated Learning for Natural Gas Load Forecasting》两篇论文获得“创新奖”。

点击下方查看线上研讨会直播回放


“可信联邦学习”的提出,首次将安全、性能、效率等要素统一在共同的理论框架下,为隐私计算和AI协作提供了通用框架。建立可信联邦学习,实现数据所有者之间的开放式动态协作,解决工业实践的问题,是AI应用发展的关键路径。此次研讨会吸引了上千位来自不同领域的专家参与和交流,相信在这一跨学科研究领域的精彩碰撞将会为未来AI的应用、数据要素的流通、数字经济的深入发展指引新的方向。



1.精华合集 | 联邦学习 FATE 从入门到精通(建议收藏!!!)

2.资料合集 | 隐私计算行业规范、白皮书、研究报告等资料汇总(建议收藏!!)

扫码关注FATE开源社区


继续滑动看下一个
FATE开源社区
向上滑动看下一个

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存