写点什么
创作场景
- 记录自己日常工作的实践、心得
- 发表对生活和职场的感悟
- 针对感兴趣的事件发表随笔或者杂谈
- 从 0 到 1 详细介绍你掌握的一门语言、一个技术,或者一个兴趣、爱好
- 或者,就直接把你的个人博客、公众号直接搬到这里
登录/注册
收录了 联邦学习 频道下的 50 篇内容

对于AI飞速发展的今天来说,大规模的多维度、高质量的数据是其成功的关键要素,也是制约其进一步发展的重要瓶颈。

字节跳动基于开源Fedlearner框架的联邦学习技术实践和落地经验

近两年,联邦学习技术发展迅速。作为分布式的机器学习范式,联邦学习能够有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,从技术上打破数据孤岛。

本文介绍微众银行主导的新一代联邦学习技术及应用,FATE 是联邦学习落地的一个工业级开源平台。

平安科技在金融领域应用联邦学习的实践过程和遇到的挑战

联邦学习三大分类体系如何应用?

本文介绍如何灵活调度管理复杂的联邦学习任务、可视化联邦建模的实现以及在线联邦推理服务的思考与实践。

现成的联邦学习工具和框架并非拿来即用的“灵丹妙药”

月11日,创新工场宣布南京国际人工智能研究院执行院长冯霁当选IEEE联邦学习标准制定委员会副主席,并预计IEEE联邦学习标准将于两年内推出。

联邦学习在广告投放和金融等场景中的应用模式、算法研究、软件系统及实践经验。

本次分享介绍微众银行人工智能团队开发并开源的工业级联邦学习技术框架。

共享机器学习和联邦学习的差异点在哪里?

研究人员可以很轻松地用 PaddleFL 复现和比较不同的联邦学习算法

数据中台还不够吗?

本文从部署、框架角度,总结了联邦学习工程落地与实现的部分内容,目的是帮助入门者快速了解联邦学习工程大致框架。

FATE(Federated AI Technology Enabler)是联邦机器学习技术的一个框架,其旨在提供安全的计算框架来支持联邦 AI 生态。FATE 实现了基于同态加密和多方计算(MPC)的安全计算协议,它支持联邦学习架构和各种机器学习算法的安全计算,包括逻辑回归、基于树的算法、深度学习和转移学习。在本专题,我们将介绍如何基于 FATE 架构从 0 到 1 部署联邦学习集群。

近两年来,联邦学习发展迅速,其作为分布式的机器学习范式,能够有效解决数据孤岛问题,让参与方在不共享数据的基础上联合建模,从技术上打破数据孤岛,实现 AI 协作。基于联邦学习的技术生态,特点如下:数据隔离,联邦学习的整套机制在合作过程中,数据不会传递到外部;无损,通过联邦学习分散建模的效果和把数据合在一起建模的效果对比,几乎是无损的;对等,合作过程中,合作双方是对等的,不存在一方主导另外一方;共同获益,无论数据源方,还是数据应用方,都能获取相应的价值,这些特点让该技术解决了金融领域的许多问题。InfoQ希望通过选题的方式对金融领域应用联邦学习的具体情况、解决的问题、改进优化方案等内容进行呈现,并推动该技术在这一领域的发展。

FATE 1.5 LTS 版本支持使用 Spark 作为底层的计算引擎,本文将对其实现细节以及使用进行简单介绍,方便用户在实际的使用过程中进行调优或者排查错误。

在数据安全与隐私保护备受关注的环境下,联邦学习技术这一新兴的人工智能技术,有望成为下一代人工智能协作网络的基础,建立起机构与用户间的数据信任,推动科技向善。而联邦学习国际标准的制定,则将进一步为其在各行业的落地应用提供标准化的体系。

联邦学习标准制定加速推进 第四次工作组会议将于10月召开