从IJCAI 2019到神经信息处理系统大会NeurIPS 2019，机器学习日渐兴盛 _神经

2019年12月中旬，国际人工智能顶级学术会议被中国计算机学会列为人工智能领域的A级会议神经信息处理系统大会NurIPS2019年中国计算机学会被列为人工智能领域的A级会议神经信息处理系统大会Neural命令Neural命令专业版即将在加拿大隆重召开。

在该机械学习领域的顶级会议中，谷歌、新加坡南洋理工大学(NTU)卡内基梅隆大学(CMU)等机构共同召开联邦学习国际研讨会(Workshoponfed对Learningfor加入Dataprivacy选秀Confidentiality)，预计将有400多名联邦学习领域的优秀研究者参加会议。

本届联邦学习国际研讨会邀请了人工智能领域的顶尖学者作为演讲嘉宾，包括微型银行首席人工智能官、香港科技大学讲座教授、第四范式联合创始人杨强教授、谷歌语音识别技术术开发的领导人Francoise与Beaufays、网络安全领域着名专家、加利福尼亚大学伯克利分校教授Dawnn领导人Song和助手教授Ralucaadaaataatatatatatandatatandatiseatanatandateatatanatatananatantante机器学习的首席教授、高通技术副总裁MaxWellin(韦灵)和助手教授

其中，微型银行首席人工智能官、香港科技大学讲座教授、第四范式联合创始人杨强教授是国际人工智能界转移学习(Transferlearning)技术的创始人，提出联邦转移学习的研究新方向，是国际人工智能协会(AAAI)的第一位也是迄今为止唯一的中国执行委员，是IJCAI理事会主席的中国科学家。加利福尼亚大学伯克利分校的教授Dawn，Song获得麦克阿瑟奖(MacArthurFellowship.Sloan的冠军海姆奖GuuimFlowship)和斯隆研究奖颁发的P.在Sloan的冠军Research上Fellowship)被媒体称为网络安全教母。深度学习领域着名科学家、VAE提出者Max、Wellings(韦灵思)曾提出规范等变卷神经网络(G-CNN)，该研究将广义相对论和量子场论的数学原理应用于深度学习，为3D物体识别提供了新的构想。届时，他们在现场与参加者共享联邦学习和数据安全、隐私保护的最先进学术成果，解决实际着陆过程中面临的难题，谈联邦学习发展的未来。

近年来，随着机器学习等人工智能技术的发展和普及，各行各业的落地应用也越来越深入。但由于人工智能技术需要海量数据的支撑，落地应用过程中，数据安全与用户隐私保护成为了公众普遍关注的问题。去年5月25日，欧盟颁布的《通用数据保护条例》（General Data Protection Regulation，简称GDPR）对数据安全与隐私保护做出了严格的规定，条例强调：收集用户数据必须公开、透明。GDPR实施后，《2018年加利福尼亚消费者隐私法案》、《中华人民共和国网络安全法》等法案也加强了对数据安全的关注。在这个环境下，传统的数据处理模式面临着严峻的挑战。随着数据所有者能够接触到的敏感数据越来越多，监督也越来越严格。针对人工智能的发展和数据隐私保护的矛盾，联邦学习提供了解决问题的新思路，保证参加者的数据不能在当地建模，在此前提下，该分布式加密机械学习可以有效地避免集中收集、处理数据的风险，兼顾AI建模效果和数据保护。

联邦学习的热点研究课题包括如何有效利用差异隐私、安全多方面的计算等技术，提高联邦学习着陆过程中的工作效率等。在本次研讨会上，美联储学习领域的顶尖学者和从业者将围绕美联储学习在实际落地过程中的问题展开讨论，将其与多个行业领域的最新技术相结合，为应对用户隐私、数据安全和AI落地的矛盾提供更全面有效的解决方案。

微众银行今年8月继国际人工智能联合会议(IJCAI魏2019)联邦学习国际研讨会后，继续在国际人工智能顶级会议上召开联邦学习研讨会，本次研讨会受到更多学者的关注。目前，共收到数十篇论文帖子，汇集了美联储学习领域的最新研究成果，围绕美联储学习算法如何优化和应用，如何提高美联储学习的安全性，如何建立美联储学习激励机制等开展多方面多角度的探索。收录的优秀论文将在本次研讨会上以口头报告和海报的形式发表，来自世界各地的学者将与论文作者进行对话和交流。

【从IJCAI 2019到神经信息处理系统大会NeurIPS 2019，机器学习日渐兴盛】近两年，美联储学习在学术研究、标准制定、行业落地等方面一路高歌猛进，成为人工智能领域备受关注的方向之一。2018年12月，联邦学习IEE国际标准正式立项，分别于2月、6月、8月召开3次标准工作组会议，标准初稿完成。8月，备受瞩目的IJCAI2019首届美联储学习国际研讨会成功召开，标志着美联储学习国际社区正式成立，美联储学习进入了新阶段。12月，NeurIPS2019年举办的联邦学习主题研讨会吸引了更多研究者和员工的关注。随着联邦学习的深入研究和广泛落地，相信会为解读数据孤岛和隐私保护的行业痛点提供更多成功例子。