理論研究與應(yīng)用探索齊頭并進(jìn)

在被接收的33篇論文中，從入選論文作者的機(jī)構(gòu)分布來看，卡耐基梅隆大學(xué)、谷歌、微眾銀行、騰訊占比最高。哈佛大學(xué)、耶魯大學(xué)、康奈爾大學(xué)、清華大學(xué)、北京大學(xué)、香港科技大學(xué)、微軟、Facebook、騰訊等海內(nèi)外知名研究機(jī)構(gòu)與企業(yè)均占一席之地。

入選論文不僅包含對聯(lián)邦學(xué)習(xí)的理論研究，更重要的是呈現(xiàn)了在實(shí)際應(yīng)用中的探索成果。其中最受評委青睞的來自卡耐基梅隆大學(xué)的論文《Think Locally, Act Globally: Federated Learning with Local and Global Representations》就提出結(jié)合本地與全局的方式，降低聯(lián)邦學(xué)習(xí)通訊開銷，提升學(xué)習(xí)效率，該方法即使在參與方擁有非同質(zhì)數(shù)據(jù)的情況下仍然有效。無獨(dú)有偶，國內(nèi)微眾銀行AI團(tuán)隊(duì)的論文《A Communication Efficient Vertical Federated Learning Framework》提出針對縱向聯(lián)邦，降低通信開銷，進(jìn)而提升學(xué)習(xí)效率的方法，該方法在理論分析與實(shí)驗(yàn)驗(yàn)證中被證明行之有效。通信開銷的降低與學(xué)習(xí)效率的提升將為更大范圍的工業(yè)化奠定基礎(chǔ)，對此的研究來源于應(yīng)用，也將在實(shí)際應(yīng)用中產(chǎn)生巨大價(jià)值。此外，谷歌與卡耐基梅隆大學(xué)的合作論文《Mitigating the Impact of Federated Learning on Client Resources》提供了一個(gè)對聯(lián)邦學(xué)習(xí)各種方法進(jìn)行客觀全面評價(jià)的基準(zhǔn)框架（benchmark framework）。

大咖云集共話聯(lián)邦學(xué)習(xí)未來

值得一提的是，此次研討會匯聚了眾多學(xué)術(shù)大咖，其中歐洲人工智能領(lǐng)軍人物、歐洲人工智能聯(lián)盟（ECCAI）與國際人工智能學(xué)會（AAAI）院士Boi Faltings教授的論文《Federated Learning with Bayesian Differential Privacy》從理論分析與實(shí)驗(yàn)結(jié)果兩方面，證明了貝葉斯差分隱私聯(lián)邦學(xué)習(xí)的有效性。

此次研討會還邀請了八位特邀嘉賓，發(fā)表聯(lián)邦學(xué)習(xí)主題報(bào)告：微眾銀行首席人工智能官、第四范式聯(lián)合創(chuàng)始人、香港科技大學(xué)講席教授楊強(qiáng)，谷歌語音識別技術(shù)研發(fā)帶頭人Francoise Beaufays及谷歌研究院研究員Daniel Ramage，網(wǎng)絡(luò)安全領(lǐng)域著名專家、加州大學(xué)伯克利分校教授Dawn Song及助理教授Raluca Ada Popa，阿姆斯特丹大學(xué)機(jī)器學(xué)習(xí)首席教授、高通技術(shù)副總裁Max Welling，卡耐基梅隆大學(xué)助理教授Ameet Talwalkar，中國科學(xué)院計(jì)算技術(shù)研究所泛在計(jì)算系統(tǒng)研究中心主任陳益強(qiáng)教授。

聯(lián)邦學(xué)習(xí)領(lǐng)域的頂尖學(xué)者與從業(yè)者將從理論研究與實(shí)踐探索出發(fā)，把聯(lián)邦學(xué)習(xí)與多個(gè)行業(yè)領(lǐng)域的最新技術(shù)結(jié)合起來，為應(yīng)對用戶隱私保護(hù)、數(shù)據(jù)安全與AI落地的矛盾提供更加全面有效的解決方法。相信隨著聯(lián)邦學(xué)習(xí)的深入研究與廣泛落地，AI的更大規(guī)模行業(yè)應(yīng)用未來可期。

研討會官網(wǎng)：http://federated-learning.org/fl-neurips-2019/

了解聯(lián)邦學(xué)習(xí)：www.fedai.org.cn

songjy

<ul id="q8wwf"></ul>