NeurIPS 2019联邦学习国际研讨会引关注，联邦学习技术应用再拓边界

标题：NeurIPS 2019联邦学习国际研讨会引关注，联邦学习技术应用再拓边界

2019年12月8日-14日，第33届国际人工智能顶级会议NeurIPS 2019（Thirty-third Conference on Neural Information Processing Systems）于加拿大温哥华举行，投稿论文数量（6743篇）、参会人数（1.3万人）均创下历史新高。大会期间，微众银行人工智能首席科学家范力欣博士和高级研究员刘洋、谷歌研究科学家Brendan McMahan和Jakub Konečný 、新加坡南洋理工大学于涵教授，卡内基梅隆大学Virginia Smith助理教授组织主持了“实现数据隐私保护的联邦学习国际研讨会”（Workshop on Federated Learning for Data Privacy and Confidentiality in Conjunction with NeurIPS 2019），共有400余位来自国际知名高校及企业的AI领域专家、研究人员及从业者围绕联邦学习、差分隐私、安全多方计算、编码理论及激励机制等议题展开讨论，并为AI落地中的数据孤岛和数据合规利用问题提供了现实可行的解决方案。

联邦学习作为加密的分布式机器学习新范式，可以让各方在数据不出本地，保护数据隐私的前提下，进行联合建模，实现跨机构跨组织AI协作，为打破数据孤岛和数据隐私保护难题提供了新思路。在近两年数据监管越发严格的大环境下受到了国内外众多机构的关注。

此次研讨会吸引了众多学者参与联邦学习生态的建设，共收到68篇论文投稿，33篇被接收，哈佛大学、耶鲁大学、普林斯顿大学、康奈尔大学、麻省理工学院、卡耐基梅隆大学、清华大学、北京大学和香港科技大学等国际名校与研究机构以及谷歌、微软、Facebook、华为、腾讯和微众银行等知名企业均榜上有名。12篇优秀论文于现场进行了讲解，21篇优秀论文进行了海报展示，来自世界各地的学者与论文作者展开了对话与交流，最终评选出“杰出论文（Distinguished Paper Award）”和“杰出学生论文（Distinguished Student Paper Award）”两大奖项。

来自甲骨文实验室（Oracle Labs）的论文团队以及来自哈佛大学、耶鲁大学的论文团队获得了杰出论文奖。来自卡内基梅隆大学、Bosch Center for Artificial Intelligence（BCAI）的论文团队以及来自卡内基梅隆大学、东京大学的论文团队则摘得杰出学生论文奖。

这是继今年8月国际人工智能联合会议（IJCAI 2019）首届联邦学习研讨会之后，联邦学习再次亮相国际人工智能顶级会议。谷歌研究员Daniel Ramage的统计结果显示：联邦学习论文数量近期呈现高速增长趋势，研讨深度与应用广度都有长足进步，在微众银行和谷歌等企业研究的头雁效应下，联邦学习发展进入了新阶段。

国际AI专家聚力探索“联邦学习”多重可能，理论研究与实践应用共同发力

近年来，人工智能技术已跨越从理论到实践阶段，正快速进入全球市场化阶段。在人工智能新产品和新技术大量出现的同时，数据安全和数据隐私保护也越发受到关注，联邦学习作为一种加密的分布式机器学习技术，可以在数据不出本地，用户数据不泄露，遵循数据保护法规的前提下，多方共建AI模型，实现跨机构跨组织协作。
研讨会上，微众银行首席人工智能官、香港科技大学讲席教授杨强，谷歌语音识别技术研发带头人Francoise Beaufays，谷歌研究员Daniel Ramage，美国计算机学会ACM新晋院士、加州大学伯克利分校教授Dawn Song，加州大学伯克利分校助理教授Raluca Ada Popa，高通技术副总裁、阿姆斯特丹大学机器学习首席教授Max Welling，卡内基梅隆大学助理教授Ameet Talwalkar，中国科学院计算技术研究所泛在计算系统研究中心主任陈益强等国内外顶尖学者，深入探讨了联邦学习的个性化和普适性问题，以及贝叶斯方法、分布式学习、去中心化等技术要素在联邦学习中的影响。
在联邦学习的实际应用方面，微众银行首席人工智能官杨强教授着重分享了联邦学习技术在推荐系统中的应用，谷歌的研究员Daniel Ramage则讲述了谷歌在联邦学习系统、算法和实际应用方面的探索，Francoise Beaufays更是以谷歌输入法为例，深入细致地分析了联邦学习在实践中的最新进展，中科院陈益强主任则揭示了联邦学习在医疗领域辅助帕金森诊断方面的应用。

联邦学习造就人工智能未来新趋势

圆桌讨论环节，针对主持人杨强教授和听众的提问，欧洲人工智能领军人物、欧洲人工智能联盟（ECCAI）与国际人工智能学会（AAAI）院士Boi Faltings教授，新加坡南洋理工大学计算机科学与工程学院院长苗春燕与特邀演讲嘉宾一起，就联邦学习当前面对的挑战、对传统机器学习的影响、最有前景的落地应用、如何达成多赢的结果等焦点问题，展开了全面而深入的讨论。其中，Dawn Song教授提出：“联邦学习的安全性是生死攸关的问题”，Max Welling教授则提出了一个发人深思的观点：联邦学习场景中海量的分布式异质数据，对统计分析的稳定性和鲁棒性提出了更高的要求，这方面的研究也将进一步提升传统机器学习的性能。谷歌研究科学家Brendan McMahan最后在总结中指出， 建立共同的评测数据、指标及标准， 则是联邦学习稳健发展的必由之路。

近两年来，联邦学习在学术研究、标准制定和行业落地等方面发展迅速，有望成为下一代人工智能协同算法和协作网络的基础，全球范围内也正在掀起“联邦学习”的热潮，越来越多的知名企业和著名学者参与到了共建联邦学习生态中来。此次联邦学习国际研讨会的召开，标志着联邦学习在人工智能研究领域已处于重要地位，在该领域的影响力显著提升。未来将在更多行业、更多场景发挥无限潜能，全面加速AI普惠的到来。

关于NeurIPS：
神经信息处理系统大会(Conference on Neural Information Processing Systems，NeurIPS)，是人工智能机器学习和计算神经科学领域的顶级国际学术会议。该会议固定在每年的12月举行，由NIPS基金会主办，被中国计算机学会列为人工智能领域的A类会议。

更多信息请查阅研讨会官网
了解联邦学习