IBM与微众银行联合举办联邦学习研讨会
近日,IBM与微众银行在IBM T.J.Watson研究中心总部联合举办联邦学习研讨会(Workshop on Federated Learning and Analytics,FL-IBM’20)。为期一天的研讨会聚集了百位来自IBM、Google、微众银行、麻省理工学院(MIT)、明尼苏达大学(UMN)等不同机构不同领域的研究专家与行业专家。IBM副总裁Bijan Davari院士致开场辞,微众银行首席人工智能官杨强教授、欧洲人工智能领军人物Boi Faltings教授等远程线上参会。会上共用9个主题演讲分享了联邦学习实际应用中的新技术、新方法,并通过1个圆桌讨论,深度探讨了企业与用户视角下的数据隐私与合规问题。
9个特邀报告,联邦学习的突围与变革
作为分布式加密机器学习新范式,联邦学习可以使得各方在不披露原始数据的情况下共建模型,即在不违反数据隐私保护法规的前提下,连接数据孤岛。近两年来,联邦学习受到越来越多研究者与企业机构的关注,相关研究与探索也愈发深入。如何提升联邦学习效率与性能?如何制定激励机制从而吸引更多参与方?如何让联邦学习真正大规模应用?此次研讨会直指联邦学习当下面临的种种挑战与未来的无限可能。
特邀报告中,Shiqiang Wang(IBM)与Mingyi Hong(UMN)关注于联邦学习的最优收敛速率分析和系统控制;Mikhail Yurochkin(IBM)和Praneeth Vepakomma(MIT)提出新的模型融合方法;Supriyo Chakraborty(IBM)和Nathalie Baracaldo(IBM)着重于隐私保护和对抗性;刘洋(微众银行)和Keith Bonawitz(Google)分享了微众银行和Google将联邦学习应用于业务场景的实践经验;Boi Faltings(EPFL)阐述了联邦学习激励机制的相关研究。
图:部分特邀演讲嘉宾
1场圆桌讨论,联邦学习的当下与未来
圆桌环节,多位专家就“企业与用户视角下的人工智能数据隐私和监管问题”展开讨论,思维的碰撞催生了一系列新的研究方向。大家一致认为,联邦学习打破了企业AI大数据合作与监管法规之间的鸿沟,使得大数据合规合作成为可能,在各行业具有广泛的应用前景。而在企业应用中也存在一些工程性问题需要各方携手解决。
除了在研究上的不断深入,联邦学习生态构建也愈发完善。据了解,联邦学习IEEE国际标准草案预计于今年出台,将为联邦学习大规模的落地应用提供通用的技术沟通语言;多家机构致力于联邦学习软件工具的开发,例如联邦学习引领者微众银行于2019年开源了全球首个工业级联邦学习框架FATE(Federate AI Technology Enabler),通过提供开箱即用的工具,降低联邦学习的技术使用门槛,目前已成为Linux基金会项目面向全球开发者。而联邦学习在反欺诈、信贷风控等 金融 场景,在城市摄像头的计算机视觉应用等智慧城市场景的不断拓展,行业应用范围的日益扩大,则让我们看到了联邦学习成为下一代人工智能协作网络基石的无限潜力。
风起于青萍之末,浪成于微澜之间。根植于解决行业痛点的联邦学习正酝酿成为一阵强风、一阵巨浪,推动人工智能落地变革。