理論研究與應用探索齊頭并進
在被接收的33篇論文中，從入選論文作者的機構(gòu)分布來看，卡耐基梅隆大學、谷歌、微眾銀行、騰訊占比最高。哈佛大學、耶魯大學、康奈爾大學、清華大學、北京大學、香港科技大學、微軟、Facebook、騰訊等海內(nèi)外知名研究機構(gòu)與企業(yè)均占一席之地。
入選論文不僅包含對聯(lián)邦學習的理論研究，更重要的是呈現(xiàn)了在實際應用中的探索成果。其中最受評委青睞的來自卡耐基梅隆大學的論文《Think Locally, Act Globally: Federated Learning with Local and Global Representations》就提出結(jié)合本地與全局的方式，降低聯(lián)邦學習通訊開銷，提升學習效率，該方法即使在參與方擁有非同質(zhì)數(shù)據(jù)的情況下仍然有效。無獨有偶，國內(nèi)微眾銀行AI團隊的論文《A Communication Efficient Vertical Federated Learning Framework》提出針對縱向聯(lián)邦，降低通信開銷，進而提升學習效率的方法，該方法在理論分析與實驗驗證中被證明行之有效。通信開銷的降低與學習效率的提升將為更大范圍的工業(yè)化奠定基礎，對此的研究來源于應用，也將在實際應用中產(chǎn)生巨大價值。此外，谷歌與卡耐基梅隆大學的合作論文《Mitigating the Impact of Federated Learning on Client Resources》提供了一個對聯(lián)邦學習各種方法進行客觀全面評價的基準框架（benchmark framework）。
大咖云集共話聯(lián)邦學習未來
值得一提的是，此次研討會匯聚了眾多學術大咖，其中歐洲人工智能領軍人物、歐洲人工智能聯(lián)盟（ECCAI）與國際人工智能學會（AAAI）院士Boi Faltings教授的論文《Federated Learning with Bayesian Differential Privacy》從理論分析與實驗結(jié)果兩方面，證明了貝葉斯差分隱私聯(lián)邦學習的有效性。
此次研討會還邀請了八位特邀嘉賓，發(fā)表聯(lián)邦學習主題報告：微眾銀行首席人工智能官、第四范式聯(lián)合創(chuàng)始人、香港科技大學講席教授楊強，谷歌語音識別技術研發(fā)帶頭人Francoise Beaufays及谷歌研究院研究員Daniel Ramage，網(wǎng)絡安全領域著名專家、加州大學伯克利分校教授Dawn Song及助理教授Raluca Ada Popa，阿姆斯特丹大學機器學習首席教授、高通技術副總裁Max Welling，卡耐基梅隆大學助理教授Ameet Talwalkar，中國科學院計算技術研究所泛在計算系統(tǒng)研究中心主任陳益強教授。
聯(lián)邦學習領域的頂尖學者與從業(yè)者將從理論研究與實踐探索出發(fā)，把聯(lián)邦學習與多個行業(yè)領域的最新技術結(jié)合起來，為應對用戶隱私保護、數(shù)據(jù)安全與AI落地的矛盾提供更加全面有效的解決方法。相信隨著聯(lián)邦學習的深入研究與廣泛落地，AI的更大規(guī)模行業(yè)應用未來可期。
研討會官網(wǎng)：http://federated-learning.org/fl-neurips-2019/
了解聯(lián)邦學習：www.fedai.org.cn
