北京时间2月9日,国际人工智能顶级学术会议——2021年度AAAI会议(线上形式)顺利闭幕。同日,AAAI 2021收官议程之一——“健壮、安全、高效的机器学习”国际研讨会召开。本研讨会由国内首家互联网银行微众银行与南洋理工大学、加州大学伯克利分校、麻省理工学院等联合主办,邀请了多位世界顶尖科学家及从业者探讨了当前AI产业化的热点话题,并形成了丰富的学术成果。
本届AAAI大会主席、微众银行首席人工智能官杨强教授出席研讨会并开幕致辞。杨强教授表示,近年来,在众多人工智能应用场景中,对隐私保护的重视程度越来越高。市场需求的驱动之下,机器学习、迁移学习、联邦学习等技术在全球得以蓬勃发展,在保护数据安全性方面,这些技术已成为人工智能产业化过程中的基础建设。此次AAAI主会就收录了相当多相关论文,而研讨会收录了来自世界各地的最新成果论文投稿20篇,这些论文主要围绕机器学习的安全性和鲁棒性、联邦学习、隐私保护、计算效率等主要议题。
加州大学伯克利分校Kurt Keutzer教授,京东大数据首席科学家、匹兹堡大学黄恒教授作为特邀嘉宾作主题演讲。研讨会同时还设置了三场技术讲座,并与参会者进行了在线互动。
加州大学伯克利分校Kurt Keutzer教授以《Efficiency is the Key to Privacy (and Security)》为主题作开场演讲。Kurt Keutzer的主要研究方向为深度学习中的计算问题。在演讲中,他认为,针在私人数据使用中需要兼顾提供服务与隐私保护两者间的平衡,与语音、视频等相关的本地个人数据处理似乎是确保安全和隐私的唯一完全有效的方法。但是,在不访问云端的情况下执行这些计算需要对学习算法的效率进行重大改进。
议程随后进入首场技术讲座和在线互动,Alberto Matachana、Kenneth Co、Luis Muñoz-González、David Martinez 和Emil Lupu等几位专家的研究成果探讨了“通用攻击对压缩模型的鲁棒性和可转移性”。Yi Zhu、Yiwei Zhou、Menglin Xia等学者介绍了如何生成语义的有效对抗性。
京东大数据首席科学家、匹兹堡大学黄恒教授在第二场主题演讲标题为《Vertical Federated Kernel Learning》,演讲结合京东电商平台的实战经验,生动阐释了如何在保持传统机器学习算法数据私密性的同时,有效地应用垂直特征分类的数据。他表示,纵向联邦学习已被用于解决此类情况,并取得了良好效果。但是,大多数现有的纵向联邦学习方法都是线性模型,为了提高预测性能,该研究将重点放在内核的非线性学习上,并针对垂直分割的数据提出了一种联邦双随机内核学习(FDSKL)算法,以保证数据安全。
线上研讨会气氛热烈、议程紧凑。在第二场技术讲座和交流中,Shuhao Fu、Chulin Xie、Bo Li及Qifeng Chen、Chang Song、Elias Fallon 、Hai Li的论文围绕“基于残差权重的抗攻击联合学习”及“提高权重量化神经网络的对抗鲁棒性”两个前沿技术话题与参会者一起进行了讨论。高密度、高专业价值、多角度的嘉宾发言,展示出了当前国际AI技术领域较为全面的学术观点。
第三场技术讲座讨论了强化学习和编码学习,Xiaoyang Wang、Bo Li、Jacky Zhang、 Bhavya Kailkhura 、Klara Nahrstedt、Nasser Aldaghri、Hessam Mahdavifar 、Ahmad Beirami等多位研究者的论文引发了热烈的讨论。
机器学习是人工智能的核心。联邦学习、深度学习、迁移学习等作为子分支和机器学习的最新研究方向,既是一种技术,又可视为一种商业模式。尤其近年来,在人工智能产业化加速的过程中,各国均投入了巨大的科研成本,以期抢占“制高点”。国外如加州伯克利分校、南洋理工大学等名校及科研机构,谷歌、亚马逊、Facebook、微软等科技公司,纷纷展开研究和场景落地;国内如中科院、清华大学、同济大学等科研院所,微众银行、京东、百度等公司持续推动,机器学习技术的产业落地生态已进入“百家争鸣、百花齐放”的繁荣期。
自国内首次提出“联邦学习”概念,微众银行、腾讯、京东等公司牵头建立相关行业标准、成立相关行业协会,积极探索并将联邦学习应用于金融、医疗、生物制药等领域。如本次研讨会的主题设定,以“健壮、安全、高效”为特点的机器学习、联邦学习已经成为全球AI产业化的“基础设施”和行业共识。
了解研讨会详情及报告PPT:http://federated-learning.org/rseml2021/