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。国际大师齐聚
助力可信联邦学习大发展
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