Advertisement

AI向善：解决数据孤岛与联邦学习（CCF-微众银行-杨强）.pdf

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
本文探讨了如何通过联邦学习技术克服数据孤岛问题，促进人工智能在保护隐私的同时实现跨机构、跨行业的协作和创新。演讲者为中国科学院自动化研究所教授及微众银行首席人工智能官杨强博士。 微众银行的杨强提出了“AI向善”以及解决数据孤岛问题的方法，并介绍了联邦学习的相关内容。该文章转自CCF平台。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • AI向善：解决数据孤岛与联邦学习（CCF-微众银行-杨强）.pdf
    优质
    本文探讨了如何通过联邦学习技术克服数据孤岛问题，促进人工智能在保护隐私的同时实现跨机构、跨行业的协作和创新。演讲者为中国科学院自动化研究所教授及微众银行首席人工智能官杨强博士。 微众银行的杨强提出了“AI向善”以及解决数据孤岛问题的方法，并介绍了联邦学习的相关内容。该文章转自CCF平台。
     
  • CCF-微众银行-刘洋-关于联邦学习的应用与研究.pptx
    优质
    该演示文稿由刘洋在CCF论坛上分享，主要探讨了联邦学习的最新应用和研究成果，旨在推动该领域的创新与发展。 在中国计算机学会的数字图书馆中有一段关于“微众银行-刘洋-联邦学习的研究及应用”的视频内容。由于网站中的视频清晰度不高，PPT上的文字也不够清楚。 该报告主要探讨了联邦学习框架的优势及其在满足用户隐私保护、数据安全和政府法规要求下的实际应用价值。它不仅提供了一种有效的机器学习方式，还能够搭建迁移学习的能力，实现举一反三的效果。根据孤岛数据具有不同分布的特点，提出了不同的联邦学习方案。 报告全面介绍了联邦学习的概念与应用，并详细讲解了开源项目FATE（https://github.com/webankfintech/fate），该框架提供了一种基于数据隐私保护的安全计算方法，为机器学习、深度学习和迁移学习算法提供了强有力的支持。
     
  • 联邦学习简介-杨强1
    优质
    《联邦学习简介》由杨强教授撰写，概述了联邦学习的概念、技术框架及其在保护数据隐私条件下的协作机器学习应用。 2016年是人工智能在全球范围内大放异彩的一年。随着AlphaGo接连战胜两位人类顶尖围棋职业选手，我们见证了人工智能展现出的巨大潜力。
     
  • 联邦学习的研究与应用——来自微众银行的视角（刘洋）.pdf
    优质
    本文由微众银行专家撰写，聚焦于联邦学习领域的最新研究进展及其在实际业务中的应用案例分析。文章深入探讨了该技术如何促进数据合作和隐私保护，在不共享原始用户数据的情况下实现模型训练与优化。 微众银行在联邦学习方面的研究及应用成果对于了解和学习联邦学习具有一定的价值。
     
  • 2019 CCF 翁翕 联邦学习的奖励机制设计.pdf
    优质
    本文为CCF发表的文章，由翁翕撰写，主要探讨了联邦学习环境下奖励机制的设计与优化，旨在提升模型训练效率和数据安全性。 联邦学习通过将机器学习的计算分散到参与各方的数据库上进行加密的分布式计算，在保护数据安全或用户隐私的同时打破数据孤岛壁垒、实现知识共享。在实际应用中，为了确保参与者持续保持积极性，需要提供足够的经济激励来支持这一过程。 我们提出了一个框架，用于探讨联邦学习中的最优组织和奖励结构设计问题。该框架涵盖了核心概念及其相应的数学定义，并且将根据机制的设定和性质对这些问题进行分类。此外，还提供了若干基准定理，帮助从业者在不深入了解博弈论的情况下也能选择合适的激励机制以实现他们的最优化目标。 联邦学习的核心要素包括“联邦”、“模型用户”、“数据所有者”以及“效用”。其中，“联邦”是由多个参与者组成的联盟；“模型用户”是指使用由该系统生成的机器学习模型的个人或机构；而“数据所有者”，则是提供用于训练这些模型的数据实体。“效用”的定义则涉及到参与这个系统的成本与收益。 设计一个有效的激励机制对于确保联邦学习的成功至关重要。这需要满足博弈论的基本原则，包括理性人准则（即参与者追求自身利益最大化）和信息不对称准则（即设计方与参与者之间存在信息差异）。目标是实现诸如激励相容、个体理性等优化标准以及预算平衡和社会最优。 在实际操作中，联邦学习的循环流程涉及到供应方策略的选择、收益类型及成本类型的确定，还包括评估数据贡献的有效性及其对需求方决策的影响。此外，组织者的策略空间包括接受的数据比例、支付给每个提供者的价格、模型访问权限的规定以及向用户收取的费用。 机制设计的基础假设是在拟线性的环境中进行，在这种环境下供给与需求是分开处理，并且存在外部资本市场。这一设定增加了机制设计面对的挑战和限制条件，同时也为实现社会最优提供了更多的可能途径。 实际应用中的激励机制需要解决如何评估数据的有效性、应对信息不对称的问题以及防止欺诈行为等难题。例如，政府可以利用这种机制来平衡道路使用以避免交通拥堵；在投资领域，则可以通过透明公开的信息促进公平交易和效率提升。 联邦学习的奖励机制设计是一门复杂且跨学科的知识体系，它结合了经济学、博弈论及信息理论等多个领域的知识。通过精心构建激励结构，能够推动系统的长期稳定发展，并实现多方共赢的同时确保数据安全与隐私保护。
     
  • GFL：银河联邦学习框架
    优质
    简介：GFL（Galactic Federation Learning framework）是一款专为促进分布式机器学习研究与应用而设计的开源软件框架，旨在构建一个高效、安全且易于使用的协作式机器学习平台。 GFL是一个基于Pytorch的联合学习框架，提供了多种不同的联邦学习算法。它是Galaxy学习系统（GLS）的基础结构，而GLS则结合了区块链技术和GFL来构建一个更安全、去中心化的机器学习环境。目前，GFL的部分已经开源，并计划在未来不久开放其区块链部分。 除了传统的联邦学习方法外，GFL还提供了一种基于模型提炼的新算法，为开发者提供了更多的选择和灵活性以训练他们的模型。对GFL框架感兴趣或有相关研究需求的用户可以通过加入特定的交流群来获取更多支持与信息分享。在设计过程中，GFL参考了PaddleFL的设计理念。 使用GFL时，需要指定一些策略并创建联邦学习任务（FederateStrate）。
     
  • 微电网孤岛与并网运行仿真
    优质
    微电网孤岛与并网运行仿真项目专注于研究和开发微电网在孤岛模式及并网模式下的高效、稳定运行技术。通过建立详细的仿真模型，深入分析不同条件下系统性能，旨在提升能源利用效率和可靠性，推动可再生能源的有效集成与应用。 在MATLAB 2014a环境下，我已经完成了微电网并网孤岛运行仿真的model参数设置，并成功运行。
     
  • 微电网孤岛与并网运行控制
    优质
    《微电网孤岛与并网运行控制》一书深入探讨了微电网在孤岛和并网模式下的运行策略及控制技术，为电力系统的稳定性和效率提供解决方案。 基于微电网的并网PQ控制和孤岛运行的V/F控制参数已经设置完毕，可以直接运行出波形且无错误。
     
  • 杨强教授领衔：2021年联邦学习专题研讨会议第一场
    优质
    本段介绍2021年首场由杨强教授领军的联邦学习专题研讨会。该活动聚焦于探讨联邦学习领域的最新进展和挑战，旨在推动技术革新与跨学科合作。 本段落介绍了联邦学习的概念及其面临的挑战。文章指出，在人工智能领域的一个主要难题是数据碎片化与孤岛现象。为解决这一问题，联邦学习技术得以发展并应用。文中阐述了联邦学习的基本原理及应用场景，并分析了该方法的优势和存在的挑战。作者认为，作为一种潜在的解决方案，联邦学习有助于应对由数据碎片化和孤岛效应带来的种种挑战，在人工智能领域展现出广阔的应用前景。