近日，人工智能领域顶级学术会议接连召开。1月，IJCAI 2020于线上顺利召开，2月，AAAI 2021也即将开幕，ICLR 2021的论文收录结果也于近日公布。国际顶会聚集了人工智能领域最顶尖的研究者和优秀从业者，涵盖机器学习、图像识别、语音技术、视频技术等领域。除现场嘉宾的主题报告和观点交流，每年会议都会通过优秀论文征集、评选的方式来展示最前沿的AI高质量学术成果。

在今年几场重磅会议中，一个明显的趋势是联邦学习这一新兴领域相关的主会及研讨会文章相较去年明显增多，其中IJCAI 2020有20篇，AAAI 2021共18篇，ICLR 2021共15篇。

根据对IJCAI联邦学习相关文章分析，近期研究既包括对差分隐私、激励机制、对抗学习等基础技术的深入探讨，也有在信用卡反欺诈,医疗诊断等方面的隐私保护应用，从理论研究、方法论、行业应用等方面拓展了联邦学习的研究深度与应用普适性。其中, 高通技术副总裁Max Welling及其合作者, 探讨了将著名的变分贝叶斯技术应用于隐私保护的研究;同时由于B端应用对垂直联邦学习场景(VFL)的需求驱动, 还有相当多的研究探讨了非平均数据分布、半监督学习、多方博弈等不同垂直联邦学习场景下的算法研究。

1、《基于隐私保护的变分贝叶斯（Variational Bayes in Private Settings》

作者：Mijung Park, James Foulds, Kamalika Chaudhuri, Max Welling

本⽂提出基于差分隐私(Differential Privacy)的变分⻉叶斯推断(Variational Bayes in the Private Setting, VIPS)技术⽅案，并实验证明了在相同的隐私约束下，VIPS相较于使⽤强复合定理能够获得更准确的主题建模。该方法为变分贝叶斯在联邦学习中的隐私安全性, 提供了理论证明和实验验证.

全文链接：https://arxiv.org/abs/1611.00340v2

2、《FedMVT: 半监督多视角训练的纵向联邦学习（Semi-supervised Vertical Federated Learning with MultiView Training）》

作者：Yan Kang, Yang Liu, Tianjian Chen

为了提高纵向联邦学习训练出来的联合模型的性能，该论文充分利⽤所有可⽤的数据（重叠与⾮重叠样本），同时估计缺失样本的表征及其相应的标签，通过多视图训练的⽅式来提⾼纵向联邦学习的效能。该方法展示了, 纵向联邦学习场景中利用小数据建模的一种可行技术路径.

全文链接：https://arxiv.org/abs/2008.10838v1

3、《基于联邦元学习的信用卡欺诈检测（Federated Meta-Learning for Fraudulent Credit Card Detection）》

作者：Wenbo Zheng, Lan Yan, Chao Gou, Fei-Yue Wang

本文介绍了一种用于欺诈检测的称为联邦元学习的新颖框架，该模型使银行可以利用分布在其本地数据库中的训练数据来学习欺诈检测模型，通过汇总欺诈检测模型的本地计算更新来构建共享的整体模型。各家银行可以集体分享共享模型的好处，而无需共享数据集并保护持卡人的敏感信息。文中展示的应用实例, 体现了联邦学习在金融领域的广泛应用.

全文链接：https://www.ijcai.org/Proceedings/2020/642

北京时间2月9日8:00—13:00，在AAAI2021会议期间，微众银行、南洋理工大学、加州大学伯克利分校、麻省理工学院将联合举办以“健壮、安全、高效的机器学习”为主题的国际研讨会。研讨会将以线上形式进行（参会链接：https://zoom.us/j/93678598207?pwd=NnFDTWlHUzIvSWdWalZUZG45bzB5Zz09），邀请全球重磅嘉宾，探讨包括联邦学习在内的多维度AI议题，关于联邦学习的研究和讨论将进一步与其他相关技术融合，共同解决人工智能发展中面临的数据安全与隐私保护等多重挑战。

本次研讨会设置了丰富的交流话题：对抗学习、训练数据下毒和对抗学习、隐私保护机器学习的应用、分布式训练中信息交换效率的提高、模型压缩、模型鲁棒性等全球最前沿的机器学习成果均在其中。

研讨会主要包括三场主题演讲及论文展示与研讨。京东大数据首席科学家、匹兹堡大学黄恒教授、加利福尼亚大学伯克利分校Kurt Keutzer教授、Facebook AI研究中心主任Laurens van der Maaten博士将围绕纵向联邦学习、隐私安全计算中的效率问题等做主题演讲。 来自全球AI各个领域的专家将围绕本届入选的二十篇论文和研讨会主题，现场分享关于机器学习的最新技术观点与研究成果。

来源：光讯网

免责声明：本文来源于网络，仅代表作者本人观点，与TechWeb无关。凡来源非TechWeb的新闻（作品）只代表本网传播该消息，并不代表赞同其观点。TechWeb对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任