联邦学习或将助力IoT走出“数据孤岛”?

2019 年 3 月 16 日 中国计算机学会

物联网、边缘计算和与人工智能 (AI) 的有机结合离不开分布式大数据的安全、合法的管理。近些年来,这些技术虽然成功突破技术与算力上的限制,但依然面临着与数据安全紧密相关的问题。联邦学习是否能助力IoT打通“数据孤岛”走向“共同富裕”的目标?


CCFTF  技术前线

只为技术高管

TF14  联邦学习技术及数据隐私保护

2019年03月24日9:00-18:00

深圳·深圳大学科技楼二号报告厅

关键词:物联网(IoT),边缘计算(Edge Computing),人工智能 (AI),《通用数据保护条例》(GDPR) 


物联网(IoT)由2009年8月温总理视察无锡时提出,是基于互联网、传统电信网等信息传输渠道,让所有具备通信功能的独立物体实现互联互通的网络。物联网的应用之一,是透过收集多个节点的小数据,聚集成大数据来建立应用模型。而边缘计算(Edge Computing)则致力于通过依靠集网络、计算、存储、应用核心能力为一体的开放平台,就近提供最近端服务,从而产生更快的网络服务响应,满足不同行业的实时业务需求。物联网、边缘计算和与人工智能 (AI) 的有机结合离不开分布式大数据的安全、合法的管理。近些年来,这些技术虽然成功突破技术与算力上的限制,但依然面临着与数据安全紧密相关的问题。由于竞争关系、安全问题、审批流程等因素,数据在不同拥有方,云和端以及物联网节点之间的流通存在着难以打破的壁垒,形成所谓的“数据孤岛”问题。面临各样的“孤岛”,即便不同行业之间有意愿交换数据,也可能遭遇政策问责和竞争保护。重视数据隐私和安全已经成为世界性的趋势,欧盟去年5月通过的最新法案——《通用数据保护条例》(General Data Protection Regulation, GDPR) 就是一个最佳证明。


针对以上问题,谷歌公司率先提出了基于个人终端设备的“联邦学习” (Federated Learning)算法框架,而微众银行AI团队随后提出了基于“联邦学习”的系统性的通用解决方案,可以解决个人(to C)和公司间(to B)联合建模的问题。


“联邦机器学习”(Federated Machine Learning)实际上是一种加密的分布式机器学习技术,参与各方可以在不披露底层数据和底层数据的加密(混淆)形态的前提下共建模型。它可以实现各个企业的自有数据不出本地,通过加密机制下的参数交换方式,就能在不违反数据隐私法规情况下,建立一个虚拟的共有模型。在这样一个机制下,参与各方的身份和地位相同,成功实现了打通“数据孤岛”走向“共同富裕”的目标。


所以我们不禁好奇,联邦学习是如何具体应用在AI领域的? 联邦学习又是如何促进物联网与边缘计算的?多方的“共同富裕”是如何达成的?联邦学习还会带给我们怎样的惊喜?CCFTF14期研讨会期待和业界的“探索者们”一起探讨这些问题。


会议主席




杨  强


个人简介:杨强, 微众银行首席人工智能官,国际人工智能学会理事长,香港科技大学教授,第四范式联合创始人。他是人工智能研究的国际专家和领军人物、首位国际人工智能协会AAAI华人Fellow、唯一国际人工智能协会AAAI华人执委、首位国际人工智能联合会IJCAI理事会华人主席、CCF专业会员、杰出演讲者,香港科技大学冠名讲座教授和前计算机系主任,香港人工智能及机器人学会创会理事长。杨强是ACM AAAI/ IEEE/AAAS/IAPR Fellow, ACM和IEEE等多个国际高级人工智能和数据挖掘领域杂志编委、多个国际人工智能研究学会组织者、国际机器学习领域及“迁移学习”领域国际领军人物。


特邀讲师




刘  洋

微众银行人工智能部高级研究员

主题报告一:联邦学习的研究及应用


主题简介:联邦学习框架的优势到底是什么? 作为一个机器学习框架,联邦学习能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下,进行数据使用和建模。而在联邦学习的基础上,迁移学习的能力也可以被搭建出来,做到举一反三的效果。而根据孤岛数据具有不同分布的特点,我们提出了不同的联邦学习方案。在本次报告中,我们将全面介绍联邦学习的概念与应用,并将提供联邦学习开源项目FATE(https://github.com/webankfintech/fate)详解,FATE提供了一种基于数据隐私保护的安全计算框架,为机器学习、深度学习、迁移学习算法提供强有力的安全计算支持。


个人简介:刘洋,微众银行AI部门高级研究员,AI平台研发工作负责人。主要研究方向为机器学习、联邦学习、迁移学习、多智能体系等。带领团队研究发展联邦学习理论,推动行业应用和IEEE国际标准制定,共同创建了FedAI,并在2019年AAAI会议上做关于联邦学习的首次特邀演讲教程(Tutorial)。加入微众以前,曾在美国创业公司Dataminr担任数据科学家,负责新闻推荐,智能搜索,数据平台监控等算法研发和产品落地。美国普林斯顿大学博士,本科毕业于清华大学。拥有多项国际专利,并在《自然》, ACM TIST等知名学术期刊发表科研成果。




张钧波

京东智能城市研究院资深研究员

京东城市计算事业部AI平台部负责人

主题报告二:城市计算与跨域学习联合建模


主题简介:城市计算是计算机科学以城市为背景,跟城市规划、交通、能源、环境和经济等学科融合的新兴领域,通过不断获取、整合和挖掘城市中不同领域的大数据来解决城市痛点,是当今城市通向新型智慧城市的途径。本报告将介绍城市计算平台的架构和数字网关技术,讲解跨域数据融合与学习方法,并分享基于人工智能的商业选址、人流量预测等案例,以及基于大数据和人工智能技术的信用城市体系建设。


个人简介:张钧波,京东智能城市研究院资深研究员、京东城市计算事业部AI平台部负责人,主管面向城市时空大数据的AI平台、算法模型和技术研发。他担任人工智能顶尖国际期刊ACM TIST的编委及IEEE TKDE,ACM TKDD等国内外知名期刊审稿人,及KDD、IJCAI、AAAI等CCF-A类会议在内的国内外会议程序委员。在加入京东之前,张钧波博士曾任微软亚洲研究院研究员,联想香港大数据研发中心研究员,在香港中文大学、华为香港诺亚方舟实验室、美国乔治亚州立大学、比利时核研究中心等工作多年,具备近十年的人工智能和时空数据挖掘经验。





王渝伟

北京观韬中茂(上海)律师事务所合伙人

主题报告三:网络安全与数据保护的立法和实践


主题简介:2018年被国内企业称为数据合规的元年,《网络安全法》逐步落地,各层次数据立法进程全面启动,行政、司法治理重点突显,与《网络安全法》相关的司法、执法案例走向常态,市场治理力量初现端倪。此外,号称全球最严的个人数据保护法GDPR的生效,也在个人数据保护层面对涉及海外业务的企业提出了严格要求。本次报告将结合国内外典型案例讲述在日趋严密的立法和频繁的执法下,企业如何建立数据合规体系并提升自身数据安全能力。


个人简介:王渝伟毕业于西南政法大学、华东政法大学,获得法学硕士学位,目前为北京观韬中茂(上海)律师事务所合伙人,为大数据、区块链、人工智能、网络安全、移动互联网、金融科技、云计算等领域的国内外科技公司提供该领域的法律服务。他专注于网络安全、数据合规、数据竞争法领域以及相关资本市场的法律服务,为企业提供个人数据收集使用、数据信息管理保护、隐私保护体系建设、数据公开、数据不正当竞争、网络安全、数据跨境转移等方面的综合解决方案。





陈雨强

第四范式联合创始人、首席研究科学家

主题报告四: 联邦学习——AI For Everyone的必经之路


主题简介:在这个人工智能发展日新月异的时代中,新的AI成果不断产生,一方面我们看到AI技术不断在各行各业产生突破性的进展,另一方面,掌握如何利用AI成为公司经营核心的企业少之又少,基本集中在少数AI巨头身上。究其原因,在实际应用中,众多的门槛影响着AI被广泛使用,这些门槛一方面来自于构建AI应用对开发者的要求,另一方面来自于构建AI应用对数据的要求。面对这些挑战,本分享将着重介绍两方面的工作试图应对:一方面是使用自动机器学习技术降低传统建模的门槛,另一方面是通过联邦学习的方式降低数据门槛。我们将介绍它们的基本概念、产生背景、适用场景与落地效果,并结合第四范式将其应用到工业界中真实场景的探索与实践进行分享。我们认为,到未来能充分降低建模门槛的时候,联邦学习会成为AIForEveryone的必经之路,届时希望更多学者能够参与其中。


个人介绍:陈雨强,第四范式联合创始人&首席研究科学家。在第四范式期间主持研发了国内首个商用的人工智能全流程平台,在百度期间主持架构了全球第一个商用深度学习系统“凤巢深度学习系统”,在今日头条期间陈雨强从零起步搭建团队,建立了今日头条最核心的新闻推荐系统与信息流广告系统,该系统服务于数亿用户,帮助今日头条成为中国移动互联网领域最成功的内容分发平台之一。陈雨强多次在 NIPS、AAAI、ACL、KDD、SIGKDD 等人工智能顶会上发表论文,获 APWeb2010 Best Paper Award、KDD Cup 2011 名列第三,其学术工作被全球著名科技杂志 MIT Technology Review 报道。




于  涵

南洋理工大学南洋助理教授

惠众智链网络科技有限公司首席科学家


主题报告五:联邦学习中的博弈论


主题简介:面对全球各国对于AI隐私保护及AI向善的呼声,联邦学习日渐成为被业界重视并接受的新一代AI基础技术。随之而来的是一系列对原有数据共享体系结构的改造需求。如何在横向联邦、纵向联邦及联邦迁移学习的场进下对参与数据联邦共同训练模型的各方利益进行最大限度地保护,同时兼顾数据联邦的整体利益?如何对各种针对数据联邦的攻击进行建模,以其更有效地部署有限的防御资源,保护数据联邦的利益?这次报告将从博弈论及系统优化的角度分享解决此类问题的一些思路。


个人简介:于涵,现任新加坡南洋理工大学计算机科学与工程学院南洋助理教授,兼惠众智链(北京)网络科技有限公司(hzzlink.com)首席科学家。他的研究主要致力于运用人工智能实现对大规模复杂协作网络进行实时数据驱动算法化管理、人工智能伦理学、联邦学习场景下的博弈及激励机制设计等。他的科研成果在AAAI、IJCAI、AAMAS等国际顶级学术会议,以及ACM/IEEE Transactions和《科学报告》等科研期刊上发表百余篇论文;并11次在前沿人工智能国际会议及期刊中获奖。于涵博士于2015年共同发起并创建了众智科学与工程联盟(ACE),推动人工智能助力共享经济。2014年及2015年,他曾两度入选全球青年科学家峰会十大青年科学家。


特邀嘉宾




宋恒杰

华南理工大学教授

博士生导师

个人简介:宋恒杰,华南理工大学教授,博士生导师,。博士毕业于新加坡南洋理工大学(NTU,Singapore)。先后在比利时校际微电子研究中心(IMEC)、百度公司(北京)从事研究工作。2012-2014年,获聘日本学术振兴会海外特别研究员(JSPS Fellow,日本京都大学)。2014年底,获得华南理工高层次人才项目资助(第三层次)。目前承担国家自然科学基金面上项目、广东省工程研发中心、教育部-中移动联合研究基金,中新联合研究基金等多项国家、省部级科研项目。近年来以第一作者/通讯作者在国际学术期刊和会议上发表论文近20多篇,包括国际顶级学术会议如AAAI、ICDM, IEEE Trans. Fuzzy Systems, IEEE CIMs等。



陈天健

微众银行人工智能部副总经理

个人简介:陈天健,微众银行人工智能部副总经理,主管机器学习平台的技术研发和商业化。曾任职于百度、迅雷、华大基因等多家科技公司从事技术工作,曾任百度主任架构师,百度金融首席架构师。


时间:2019年03月24日

地点:深圳市南山区南海大道3688号深圳大学科技楼2号报告厅


日程安排


时间

主讲人

主题

09:00 - 09:10 

 开场致辞

09:10 - 09:30

杨强-微众银行首席AI官,香港科技大学教授

主席致辞:数据孤岛,AI向善与联邦迁移学习

09:30 - 11:00 

刘洋-微众银行人工智能部高级研究员

主题一:联邦学习的研究及应用

11:00 - 12:00

张钧波-京东智能城市研究院资深研究员、京东城市计算事业部AI平台部负责人

主题二:城市计算与跨域学习联合建模

12:00 - 13:30

 午餐

13:30 - 14:30  

王渝伟-北京观韬中茂(上海)律师事务所合伙人

主题三:网络安全与数据保护的立法和实践

14:30 - 15:30

陈雨强-第四范式联合创始人、首席研究科学家

主题四:联邦学习——AI For Everyone的必经之路

15:30 - 15:40   

Break

15:40 - 16:40

 于涵-南洋理工大学南洋助理教授、惠众智链网络科技有限公司首席科学家  

主题五:联邦学习中的博弈论

16:40 - 17:40 

参与人:杨强、张钧波、王渝伟、陈雨强、于涵、宋恒杰、陈天健

圆桌论坛:探讨联邦学习之机遇与挑战


缴费标准


CCF会员参会价:1000元

非CCF会员价:1700元

CCF团体会员,享受免费个人名额


参会方式


扫描二维码网上报名:



会议联系方式


联系人:李逸舟

电    话:010-6260 1379-20/166-0111-0821

邮    箱:tf@ccf.org.cn



中国计算机学会

微信号:ccfvoice           

长按识别二维码关注我们


CCF推荐


精品文


点击“阅读原文”报名参加



登录查看更多
20

相关内容

联邦学习(Federated Learning)是一种新兴的人工智能基础技术,在 2016 年由谷歌最先提出,原本用于解决安卓手机终端用户在本地更新模型的问题,其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下,在多参与方或多计算结点之间开展高效率的机器学习。其中,联邦学习可使用的机器学习算法不局限于神经网络,还包括随机森林等重要算法。联邦学习有望成为下一代人工智能协同算法和协作网络的基础。
【微众银行】联邦学习白皮书_v2.0,48页pdf,
专知会员服务
162+阅读 · 2020年4月26日
【中国人民大学】机器学习的隐私保护研究综述
专知会员服务
130+阅读 · 2020年3月25日
【大数据白皮书 2019】中国信息通信研究院
专知会员服务
133+阅读 · 2019年12月12日
联邦学习最新研究趋势!
AI科技评论
52+阅读 · 2020年3月12日
破解数据孤岛壁垒,三篇论文详细解读联邦学习
AI科技评论
24+阅读 · 2019年5月7日
“联邦学习”实现“共同富裕”?来TF“共同富裕”!
中国计算机学会
5+阅读 · 2019年3月12日
区块链隐私保护研究综述——祝烈煌详解
计算机研究与发展
22+阅读 · 2018年11月28日
CCCF专栏 | 联邦学习
中国计算机学会
26+阅读 · 2018年11月19日
A Survey on Bayesian Deep Learning
Arxiv
59+阅读 · 2020年7月2日
Arxiv
108+阅读 · 2020年2月5日
Arxiv
42+阅读 · 2019年12月20日
AutoML: A Survey of the State-of-the-Art
Arxiv
67+阅读 · 2019年8月14日
Transfer Adaptation Learning: A Decade Survey
Arxiv
37+阅读 · 2019年3月12日
One-Shot Federated Learning
Arxiv
9+阅读 · 2019年3月5日
VIP会员
相关资讯
联邦学习最新研究趋势!
AI科技评论
52+阅读 · 2020年3月12日
破解数据孤岛壁垒,三篇论文详细解读联邦学习
AI科技评论
24+阅读 · 2019年5月7日
“联邦学习”实现“共同富裕”?来TF“共同富裕”!
中国计算机学会
5+阅读 · 2019年3月12日
区块链隐私保护研究综述——祝烈煌详解
计算机研究与发展
22+阅读 · 2018年11月28日
CCCF专栏 | 联邦学习
中国计算机学会
26+阅读 · 2018年11月19日
相关论文
A Survey on Bayesian Deep Learning
Arxiv
59+阅读 · 2020年7月2日
Arxiv
108+阅读 · 2020年2月5日
Arxiv
42+阅读 · 2019年12月20日
AutoML: A Survey of the State-of-the-Art
Arxiv
67+阅读 · 2019年8月14日
Transfer Adaptation Learning: A Decade Survey
Arxiv
37+阅读 · 2019年3月12日
One-Shot Federated Learning
Arxiv
9+阅读 · 2019年3月5日
Top
微信扫码咨询专知VIP会员