- 博客(6)
- 收藏
- 关注
RSS订阅转载 获IEEE全票通过，首个联邦学习国际标准将正式推行
近日，IEEE 标准委员会（SASB）一致投票正式通过联邦学习国际标准（IEEE P3652.1），标准将于今年年底正式出版推行。这也是国际上首个针对人工智能协同技术框架订立的标准，由国内知名数字化银行微众银行会同多家国内外AI公司及研究机构发起、筹备，将为更多行业和海内外机构应用联邦学习技术提供标准化的行业规范，标志着联邦学习开启大规模工业化应用的新篇章。根据微众银行同步的标准筹备流程实时信息，标准草案于2020年3月提交IEEE，经最后阶段的评估及微调，于9月正式批准出台。标准工作组人员介绍说，在筹
2020-09-29 16:07:22
2389
原创 IJCAI 2020 | 推荐系统中的隐私威胁与对策
本文介绍的是由微众银行联合香港科技大学研究员高大山、谭奔、鞠策、郑文琛和杨强教授共同完成，被国际人工智能顶会IJCAI 2020下设联邦学习专项研讨会(FL-IJCAI’20)录用的论文《Privacy Threats Against Federated Matrix Factorization》。该论文提供了推荐系统领域一类最常用算法的联邦化方案，为联邦推荐系统落地提供快速便捷的技术路径。全文地址：https://arxiv.org/abs/2007.01587推荐系统广泛应用于众多日常生活场.
2020-07-22 18:39:28
2329
原创 联邦学习开源框架FATE新版本发布！配套引擎EggRoll更新，联邦应用场景再拓展
如何在保证本地训练数据不公开的前提下，实现多个数据拥有者协同训练一个共享的机器学习模型？传统的机器学习方法需要将所有的数据集中到一个地方（例如数据中心），然后进行机器学习模型的训练。但这种基于集中数据的做法无疑会严重侵害用户隐私和数据安全。如今，世界上越来越多的人开始强烈要求科技公司必须根据用户隐私法律法规妥善地处理用户的数据，欧盟的《通用数据保护条例》是一个很好的例子。而联邦学习这门技术，则可以将分布式机器学习、密码学、基于金融规则的激励机制和博弈论结合起来，从而解决分散数据的使用问题。FATE(Fede
2020-06-05 11:26:50
1074
原创 联邦学习国际标准草案完成，正式标准预计年中出台
近日，联邦学习国际标准IEEE P3652.1(联邦学习基础架构与应用)标准工作组宣布：联邦学习IEEE标准草案已完成并通过标准工作组表决，目前该草案已提交IEEE标准协会(Standard Association, SA)审核。按照流程，正式标准预计将于今年年中出台。联邦学习（Federated Learning）是近年来兴起的一种加密的分布式机器学习新范式，可以让各参与方在数据不出本地...
2020-04-10 15:29:26
587
原创 微众银行AI团队可视化再获新里程碑，两篇论文获EuroVis 2020收录
近日，EuroVis2020 (Eurographics Conference on Visualization)论文录用结果公布，微众银行AI团队提交的两篇论文“WarehouseVis: A Visual Analytics Approach to Facilitating Warehouse Location Selection for Business Districts”、“SEEVi...
2020-03-18 17:36:34
485
原创 IBM与微众银行联合举办联邦学习研讨会
近日，IBM与微众银行在IBM T.J.Watson研究中心总部联合举办联邦学习研讨会（Workshop on Federated Learning and Analytics，FL-IBM’20）。为期一天的研讨会聚集了百位来自IBM、Google、微众银行、麻省理工学院（MIT）、明尼苏达大学（UMN）等不同机构不同领域的研究专家与行业专家。IBM副总裁Bijan Davari院士致开场辞，微...
2020-02-14 16:22:23
1072
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人