IJCAI 2021聯邦學習與遷移學習國際研討會精彩回顧

8月19日，“第30屆國際人工智能聯合會（IJCAI 2021）”于線上隆重開幕，“聯邦學習與遷移學習國際研討會（FTL-IJCAI’21）”也在8月21日重磅登場。

本次研討會由微眾銀行、京東、第四范式、星云Clustar聯合香港科技大學、南洋理工大學等高校共同主辦。

技術賦能，聯邦學習與遷移學習助力AI領域大變革

2021年是機器學習取得了長足發展的一年，不僅遷移學習延伸出了協同學習，聯邦學習發展形勢更是迅猛：從個性化聯邦學習到異構聯邦學習，從領域泛化到用戶選擇和聚類，聯邦學習與遷移學習領域的新研究主題百花齊放，不僅聚合成了AI領域的研究新趨勢，還為商業落地提供了強有力的理論支持。聯邦學習與遷移學習也被Gartner列入“2020年數據科學與機器學習技術成熟度曲線”，標志著技術從實驗室研究階段進入大規模工業落地階段。

此次研討會重點關注大數據時代的隱私保護與安全，從遷移學習和聯邦學習的優化和提升起步，圍繞政策中的聯邦學習、行業中的聯邦學習、技術革新中的聯邦學習等多維度生態展開，不僅對遷移學習、聯邦學習的迭代歷程進行了回顧，還對聯邦學習的未來展開了合理化暢想，以期創領未來。

研討會以微眾銀行首席人工智能官楊強教授的主題報告《從遷移學習到聯邦學習》的精彩講述為開場。

楊強教授長期深耕于人工智能、機器學習和數據挖掘領域，引領聯邦學習行業前沿。楊強教授以對話推薦系統、傳遞遷移學習等多個案例為軸線梳理了2001年至今遷移學習的發展情況，在簡明介紹聯邦學習自2017年的發展歷程后，重點就聯邦學習在金融科技和大健康領域的隱私保護應用實踐進行了分析。會上，他以微眾銀行AI團隊與極視角打造的世界首個視覺聯邦學習系統為例，對縱向聯邦學習實現數據隱私保護的邏輯進行了詳盡說明，并向世界各國研究者和學者匯報了微眾銀行與騰訊醫療健康合作實驗室的工作進度。楊強教授提到，FATE等聯邦學習開源生態為工業化的落地應用貢獻了強勁的力量，未來FATE依然能夠為隱私計算產品提供所需營養。

此外，10位來自不同研究領域的特邀嘉賓從技術本身、業務場景應用兩個方向，為參會人員帶來了一場干貨滿滿的AI盛宴。

來自康奈爾大學的王飛教授對大型臨床研究網絡中的聯邦學習技術應用進行了探討。王飛教授的主要研究方向為健康數據科學中的機器學習和人工智能，并在ICML、KDD、NeurIPS、CVPR、AAAI、IJCAI等頂會上發表了多篇文章。王飛教授提出，臨床數據的敏感性要求，使得聯邦學習技術在大型臨床應用領域中居于重要地位，但因臨床數據的異質性和復雜性，在聯邦學習介入前，應完成數據標準化與數據協調。

來自IBM T.J. Watson研究中心的資深研究員王世強對Cross-Silo聯邦學習的自身特征，數據模型代理，跨云、邊緣與設備學習進行了闡述。香港城市大學的魏穎副教授從類比問題解決、機器學習泛化的非平凡性、任務不足后果等多方面闡述了確保預訓練模型泛化成功的方法。韓國科學技術院(KAIST)的Sung Ju Hwang副教授分享了聯邦持續和半監督學習方面的最新研究成果。清華大學的龍明盛副教授就遷移學習的理論、算法和開庫進行了解讀。東京大學的Masashi Sugiyama副教授分享了對遷移學習重要性加權的重新思考。

來自字節跳動的首席AI科學家王崇從機器學習中的標簽泄露、雙方拆分學習中的隱私保護兩個方面講述字節最新研究成果。來自谷歌的許正博士從替代問題公式、提高效率和效力、局部更新與控制變量幾個方面講述現實世界約束下的聯邦優化。來自京東硅谷研發中心的首席科學家薄列峰從縱向聯邦學習、聯邦隨機森林、京東數科聯邦學習平臺等角度介紹了大規?？v向聯邦學習。騰訊微視隱私計算技術負責人李皓介紹了基于聯邦學習技術的FL-MV-DSSM推薦系統在微視中的應用情況。

 

聚焦創新，AI領域后浪分享聯邦學習與遷移學習最新進展

本屆研討會不僅得到了國際AI學界最頂尖學者的支持，更受到了來自年輕一代聯邦學習領域研究者和從業者的關注。通過優秀論文征集、評選，11位全球領先研究者在論文報告環節分享自己最前沿的研究工作，4篇論文獲得優秀論文獎項。

Mingsheng Long，Yue Cao等人的論文“Learning Transferable Features with Deep Adaptation Networks”獲“Test of Time Award”； 

Ching Pui Wan和Qifeng Chen的論文“Robust Federated Learning with Attack-Adaptive Aggregation”獲“Best Paper Award”；

Mengmeng Tian，Yuxin Chen等人的論文“A Contract Theory based Incentive Mechanism for Federated Learning”獲“Best Student Paper Award”；

Cengguang Zhang，Junxue Zhang等人的論文“Aegis: A Trusted, Automatic and Accurate Verification Framework for Vertical Federated Learning”獲“Best Application Paper Award”。

聚集頂尖學者，關注聯邦學習領域，FTL-IJCAI系列研討會已成為全球聯邦學習行業領域最前沿的學術動態窗口。以科技手段解決時代難題，多位行業領軍者的干貨分享，一定能夠成為當下時代聯邦學習領域最有力的助推器。

視頻回顧及更多信息可查看研討會官網：http://federated-learning.org/fl-ijcai-2021/

 

雷鋒網雷鋒網雷鋒網

雷峰網特約稿件，未經授權禁止轉載。詳情見轉載須知。