NeurIPS 2019 联邦学习国际研讨会论文收录情况揭晓中美领跑人工( 二 ) 联邦学习国际社区范围进一步扩大据研讨

　　入选论文不仅包含对联邦学习的理论研究，更重要的是呈现了在实际应用中的探索成果。其中最受评委青睐的来自卡耐基梅隆大学的论文《Think Locally, Act Globally: Federated Learning with Local and Global Representations》就提出结合本地与全局的方式，降低联邦学习通讯开销，提升学习效率，该方法即使在参与方拥有非同质数据的情况下仍然有效。无独有偶，国内微众银行AI团队的论文《A Communication Efficient Vertical Federated Learning Framework》提出针对纵向联邦，降低通信开销，进而提升学习效率的方法，该方法在理论分析与实验验证中被证明行之有效。通信开销的降低与学习效率的提升将为更大范围的工业化奠定基础，对此的研究来源于应用，也将在实际应用中产生巨大价值。此外，谷歌与卡耐基梅隆大学的合作论文《Mitigating the Impact of Federated Learning on Client Resources》提供了一个对联邦学习各种方法进行客观全面评价的基准框架(benchmark framework) 。

　　大咖云集共话联邦学习未来

　　值得一提的是，此次研讨会汇聚了众多学术大咖，其中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教授的论文《Federated Learning with Bayesian Differential Privacy》从理论分析与实验结果两方面，证明了贝叶斯差分隐私联邦学习的有效性。

　　此次研讨会还邀请了八位特邀嘉宾，发表联邦学习主题报告：微众银行首席人工智能官、第四范式联合创始人、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及谷歌研究院研究员Daniel Ramage ，网络安全领域著名专家、加州大学伯克利分校教授Dawn Song及助理教授Raluca Ada Popa ，阿姆斯特丹大学机器学习首席教授、高通技术副总裁Max Welling ，卡耐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教授。

　　联邦学习领域的顶尖学者与从业者将从理论研究与实践探索出发，把联邦学习与多个行业领域的最新技术结合起来，为应对用户隐私保护、数据安全与AI落地的矛盾提供更加全面有效的解决方法。相信随着联邦学习的深入研究与广泛落地， AI的更大规模行业应用未来可期。