纽约当地时间2月6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包括IBM副总裁Bijan Davari院士、微众银行首席人工智能官杨强教授、欧洲人工智能领军人物Boi Faltings教授等百位来自IBM、Google、微众银行、麻省理工学院、明尼苏达大学等不同机构不同领域的研究专家与行业专家，9个主题演讲分享联邦学习实际应用中的新技术、新方法，1个圆桌讨论企业与用户视角下的数据隐私与合规问题。

研讨会现场

9个特邀报告，联邦学习的突围与变革

作为分布式加密机器学习新范式，联邦学习可以使得各方在不披露原始数据的情况下共建模型，即在不违反数据隐私保护法规的前提下，连接数据孤岛。近两年来，联邦学习受到越来越多研究者与企业机构的关注，相关研究与探索也愈发深入。如何提升联邦学习效率与性能？如何制定激励机制从而吸引更多参与方？如何让联邦学习真正大规模应用？此次研讨会直指联邦学习当下面临的种种挑战与未来的无限可能。

特邀报告中，IBM研究员Supriyo Chakraborty通过对抗性视角分析联邦学习（Analyzing Federated Learning Through An Adversarial Lens）；明尼苏达大学的Mingyi Hong副教授提出“具有最优速率和对Non-IID数据适应性的联邦学习框架（A Federated Learning Framework with Optimal Rates and Adaptivity to Non-IID Data）”；微众银行人工智能部高级研究员刘洋分享了“纵向联邦学习”的概念和典型应用（Vertical(cross-silo) federated learning : some concepts and applications）; 欧洲人工智能领军人物、瑞士洛桑联邦理工学院Boi Faltings教授阐述了联邦学习激励机制的相关研究（Incentives for Federated Learning）；Google研究员Keith Bonawitz分享了Google的联邦学习实践经验（ Federated learning at Google: systems, algorithms, and applications）。

演讲资料可查看研讨会官网：https://federated-learning.bitbucket.io/ibm2020/）

1场圆桌讨论，联邦学习的当下与未来

圆桌环节，多位专家就“企业与用户视角下的人工智能数据隐私和监管问题”展开讨论，思维的碰撞催生了一系列新的研究方向。大家一致认为，联邦学习打破了企业AI大数据合作与监管法规之间的鸿沟，使得大数据合规合作成为可能，在各行业具有广泛的应用前景。而在企业应用中也存在一些工程性问题需要各方携手解决。

除了在研究上的不断深入，联邦学习生态构建也愈发完善。据了解，联邦学习IEEE国际标准草案预计于今年出台，将为联邦学习大规模的落地应用提供通用的技术沟通语言；多家机构致力于联邦学习软件工具的开发，例如联邦学习引领者微众银行于2019年开源了全球首个工业级联邦学习框架FATE（Federate AI Technology Enabler：https://github.com/FederatedAI/FATE），通过提供开箱即用的工具，降低联邦学习的技术使用门槛，目前已成为Linux基金会项目面向全球开发者。而联邦学习在反欺诈、信贷风控等金融场景，在城市摄像头的计算机视觉应用等智慧城市场景的不断拓展，行业应用范围的日益扩大，则让我们看到了联邦学习成为下一代人工智能协作网络基石的无限潜力。

风起于青萍之末，浪成于微澜之间。根植于解决行业痛点的联邦学习正酝酿成为一阵强风、一阵巨浪，推动人工智能落地变革。

了解更多关于联邦学习：

cn.fedai.org

了解更多关于微众银行AI:

ai.webank.com