首页 > 快讯

微众银行首席人工智能官杨强:“可信联邦学习”推动隐私计算技术进一步融合

快讯 零壹财经 零壹财经 2022-03-30 阅读:1528

关键词:可信联邦学习隐私计算人工智能微众银行


2022年,隐私计算商业化和算法迭代双提速,以联邦学习为代表的隐私计算正在成为解决数据安全与开放共享之间矛盾的重要技术路径。针对近两年来隐私计算和联邦学习发展和应用中面临的挑战,联邦学习FATE开源社区技术指导委员会主席、微众银行首席人工智能官杨强教授及团队对联邦学习的理论进行了持续的丰富和拓展,提出了“可信联邦学习”概念,探索解决近年来隐私计算和联邦学习发展和应用中面临的安全、效率、性能三者均衡的问题。

微众银行是国内首个提出“联邦学习”(Federated Learning)的机构,联邦学习为人工智能落地中数据孤岛与数据隐私保护难题提供了通用解决方案。联邦学习是一种机器学习技术,可以在不交换数据样本的情况下,在多个分散的边缘设备或服务器上训练算法。相比传统的数据授权和数据传输模式,联邦学习既能满足隐私保护的要求,又能够实现商业诉求。

此次杨强教授提出的“可信联邦学习”是指安全可信的联邦学习,其本质是能够满足用户和监管等各方面需求的分布式机器学习范式。可信联邦学习将助推隐私计算应用在各种场景上,降低隐私计算的成本,提升隐私计算应用质量,从而加速推动隐私计算行业的发展。

隐私保护、模型性能、算法效率作为该范式的核心三角基石,与模型的决策可解释性和模型的可监管性两大支柱,共同构成了更加安全可信的联邦学习。同时,可信联邦学习体现出来的核心特征是数据安全可证明、模型性能可使用、机器学习效率可控、决策可解释、模型可监管、普惠。


(“可信联邦学习”的三角基石)

可信联邦学习的目的是综合配置各类技术,结合分布式机器学习和人工智能算法,找到联合建模可信、可行及可控的解决方案。为合理配置各隐私计算技术,杨强教授及团队提出了隐私与模型性能的"No-free-lunch安全-收益恒定"定律。

杨强教授指出,利用该定律,可信联邦学习将安全-性能-效率三者形成有机整体,以实现更高质量的隐私保护,同时达到既不牺牲数据安全保护,也不致使模型性能和学习效率的大幅下降的效果。良好运用该定律,各方能够量化分析隐私计算各种技术保护方案的优劣,优化隐私保护算法设计。
 

上一篇>前百度副总裁、Apollo平台研发总经理王京傲加入云骥智行

下一篇>人民银行驻沪金融基础设施机构:确保金融服务不中断



相关文章


用户评论

游客

自律公约

所有评论

主编精选

more

专题推荐

more

第四届中国零售金融发展峰会(共15篇)


资讯排行

  • 48h
  • 7天



耗时 245ms