在上述原理的基礎上，研究者們還設計了黑盒，白盒和混合保護機制，來針對不同的應用場景，提供了一系列完善的知識產權保護方法。
新方法使得DNN模型的性能依賴于護照的真實性，對于去除攻擊具有魯棒性，能夠抵御模糊攻擊，并保證了原主人對神經網絡所有權的可證明性。而使用了不同的護照而使網絡性能有不同表現的這種思維也是非常新穎的，并通過了大量的實驗驗證，具有可操作性。（論文全文鏈接：https://arxiv.org/abs/1909.07830 論文源代碼：https://github.com/kamwoh/DeepIPR）
有效機制，創(chuàng)建AI創(chuàng)新良性生態(tài)
基于數字護照保護機制，剽竊者將處于兩難境地：一方面，如使用偽造數字護照, 則網絡性能大幅下降幾乎無用。而且偽造護照需要從新訓練網絡，耗時耗電，經濟上無利可圖。另一方面，如非法使用原數字護照，則面臨原主人的法律訴訟及追責索賠。
當今巨頭公司和創(chuàng)業(yè)公司幾乎每秒都在投資數十億美元來探索新的DNN模型，論文中提出的數字護照在保護保護知識產權，不被濫用，防偽，防止被競爭對手利用方面有著重要作用。AI創(chuàng)新，只有在保護企業(yè)或發(fā)明人的切實權益下才能正常前進，才能打造真正良性的創(chuàng)新環(huán)境。
走在前沿，微眾銀行在AI科研領域的探索
該研究是由微眾銀行首席人工智能科學家范力欣博士發(fā)起，而范博士所在的微眾銀行AI團隊在前沿科研領域有諸多探索，包括聯(lián)邦學習、遷移學習等。今年8月，在國際數據科學和數據挖掘領域最頂級的學術會議KDD大會上，微眾銀行AI團隊與香港科技大學等高校聯(lián)合提交的與AI精準營銷、智能推薦相關的研究論文《Beyond Personalization: Social Content Recommendation for Creator Equality and Consumer Satisfaction》被收錄，論文提出了用去中心化模型Social Attentive Exploration Network（SAEN）解決社交內容推薦的公平性問題，目前該研究成果已成功運用于微眾銀行AI營銷解決方案的智能推薦業(yè)務板塊。（論文全文鏈接：https://dl.acm.org/citation.cfm?id=3330965）
而微眾銀行作為聯(lián)邦學習的引領者，不僅提出“聯(lián)邦遷移學習”的新方向，更是在全球范圍內引領和推動數據隱私保護下的AI協(xié)作生態(tài)建設。
作為一種基于多方安全計算的分布式機器學習技術，聯(lián)邦學習能讓參與各方可以在不披露底層數據和底層數據的加密(混淆)形態(tài)的前提下共建模型，在行業(yè)應用中幫助不同機構打破隔閡，進行AI協(xié)作，同時各方的數據都不出本地，讓用戶隱私得到保護。這樣一種共贏的機器學習方式，讓聯(lián)邦學習成為了AI時代大數據安全及隱私保護的必備技術。
今年8月召開的國際人工智能聯(lián)合會議（IJCAI 2019）期間，微眾銀行與IBM等知名機構聯(lián)合舉辦了首屆聯(lián)邦學習國際研討會，超過100位國際專家和學者參與，共探聯(lián)邦學習的當下難題與未來發(fā)展趨勢。
不僅在學術研究上進行前沿探索，微眾銀行AI團隊也在積極推進聯(lián)邦學習產業(yè)落地的步伐。今年2月在GitHub上開源了全球首個聯(lián)邦學習工業(yè)級開源框架FATE（Federated AI Technology Enabler），并于今年6月貢獻給全球最大開源社區(qū)Linux Foundation，近期又發(fā)布了一系列貢獻者激勵機制，以開放的姿態(tài)，鼓勵開發(fā)者加入共建聯(lián)邦學習生態(tài)。同時，牽頭聯(lián)邦學習國際標準（IEEE標準）與國內標準的建立，為更大范圍內的產業(yè)應用提供統(tǒng)一的技術標準語言。據悉，IEEE標準工作組已召開三次會議，第四次會議將于10月召開，相關標準草案有望明年出臺。
蓄勢待發(fā)，NeurIPS 2019大會聯(lián)邦學習研討會
據范力欣博士介紹，微眾銀行AI團隊將在今年的NeurIPS 2019大會上和Google等知名企業(yè)、高校聯(lián)合舉辦聯(lián)邦學習研討會（workshop），這也是首次在NeurIPS上舉辦聯(lián)邦學習研討會，目前已收到數十篇論文投稿。隨著加入聯(lián)邦學習生態(tài)的企業(yè)和研究機構越來越多元化，在金融、醫(yī)療、零售等多場景落地場景越來越多，聯(lián)邦學習的相關研究也跨越到新階段，此次研討會必定會帶來更多令人驚喜的新思考與探索。
了解更多：http://federated-learning.org/fl-neurips-2019/?from=timeline
