联邦学习成为人工智能产业化的下一个驱动力

时间:2019-08-01 来源:www.saisaisai.com

随着云计算,大数据,区块链,人工智能等当前科技领域的主流和热门技术应用,智能时代似乎已经准备就绪。然而,人工智能的发展仍然面临着许多挑战。如何解决智能时代的隐私保护问题?人工智能产业化的下一个推动力是什么?

6月17日至18日,Google主办的“联合学习与分析研讨会”在西雅图举行。人工智能国际专家,魏中银行首席人工智能官(CAIO),杨强和四十名其他行业专家和学者应邀出席并讨论了联邦学习,分布式优化和分析,密码学等主题的学术合作。算法公平,差异隐私保护和政策。

img_pic_1561359968_0.png

图:谷歌联邦学习研讨会

在会上,杨强教授发表了一份特别邀请报告《安全的联邦迁移学习:在保护隐私的前提下共享知识》(安全联合转学习:知识共享,不妥协隐私)。他在报告中指出,联邦学习技术将成为解决智能时代数据保护和用户隐私保护问题的武器,并成为推动人工智能产业化成功的重要推动力。

img_pic_1561359968_1.png

图:杨强教授的邀请报告

联邦学习将引领机器学习技术的下一波商业化

人工智能不断发展的背后是机器学习的不断发展。那么,机器学习的方向是什么?这种趋势将如何影响整个人工智能行业?

人工智能登陆面临的主要困境是数据问题。 “小数据”和“数据岛”在一定程度上阻碍了人工智能的商业化。针对小数据问题,杨强教授和团队提出了“迁移学习”理论体系,并将其应用到推荐系统等实际应用中,使机器具有知识转移和“学习其他”学习。能力在第30届会议上。在神经信息处理系统会议(NIPS 2016)上,着名的人工智能专家吴恩达总结了机器学习的发展趋势。他说,“经过监督学习,移民学习将引领下一波机器学习技术的商业化浪潮。”

随着数据隐私保护和数据安全形势日益严峻,引入了一系列严格的数据隐私保护法律法规,如GDPR。由于政策法规,商业竞争等因素,机构间数据难以互操作,“数据岛”已成为人工智能。迁移学习可能是解决小数据问题的一大障碍,但如何在行业内甚至跨行业实现更大的合作对于人工智能的商业化更为重要。这不仅是一个技术问题,也是一个复杂的社会问题。

作为一种分布式机器学习范式,联邦学习可以有效地解决数据孤岛问题,允许参与者在不共享数据的基础上共同建模,可以在技术上打破数据岛,实现人工智能协作。 2016年,谷歌提出了移动终端的联邦学习。微银行人工智能团队从金融行业实践开始,专注于跨机构和跨组织的大数据合作方案,并首次提出“联邦移民学习”解决方案。结合联邦学习。根据杨强教授的“联邦研究研讨会”,联邦移民学习使联邦学习更加普遍,可以在不同的数据结构和不同的机构中发挥作用,没有域和算法的约束,并具有模型质量和隐私。确保数据的安全性。

开源框架促进联邦学习应用

近年来,出现了对联邦学习的研究。推出Google TensorFlow Federated(TFF)开源框架和联邦AI技术推动者(FATE)开源框架,加速了联邦学习从概念到行业应用的应用。

在2019年3月,谷歌开放了TFF,可用于机器学习和分散数据的计算实验,为开发人员提供分布式机器学习,可在多个设备上进行训练,而无需数据离开设备。共享机器学习模型。

FATE是由Micro-Bank AI团队于2019年2月发布的独立研发开源项目。它也是世界上第一个联邦学习开源框架,为联邦AI生态系统提供工业级联邦学习框架。提供基于数据隐私保护的分布式安全计算框架,为机器学习,深度学习和迁移学习算法提供高性能安全计算支持。安全计算包括多方安全性,例如同态加密,秘密共享和散列哈希。计算协议。同时,FATE提供友好的跨域交互式信息管理解决方案,解决了联邦学习信息安全审计的问题。易于使用的开源工具平台可以帮助多个组织执行多方数据使用和联合建模,同时满足用户隐私保护,数据安全和政府法规。目前,FATE已经推动了信用风险控制,客户资产定价和监管技术的应用。

联邦学习技术面向未来

将来,联邦学习将在哪里进行? Google研讨会总结了未来联邦学习的主要研究方向。使联邦学习更有效率;扩大联邦学习界限,解决更多问题;探讨联邦学习新的应用场景;学习稳健性和抵御攻击的能力;突破准确性和实际目标,更加注重隐私,安全和公平。

img_pic_1561359968_2.png

图:关闭谷歌联邦学习研讨会摘要

原则上。这些原则也符合联邦学习的方向,隐私保护和开放式合作的政策要求也为进一步发展联邦学习提供了政策驱动力。

无论是从技术发展的道路还是政策和监管的环境,可以预见联邦学习将成为促进机器学习商业化的下一个主要驱动技术。联邦学习的研究和着陆探索不会停止。除了科学和技术,联邦学习涉及许多领域,如经济学和法律。在公平有效的激励机制下,多党参与,建立公平,健康,可持续的合作生态,才能真正实现“绅士与异同”的“联邦”。最初的目的是使科学和技术变得更好并使公众受益。