|
[交流]
面向数据安全与隐私保护的联邦学习技术国际研讨会
IJCAI-19 Workshop on FML征文通知
近年来,数据隐私保护问题成为社会关注的焦点。特别是GDPR正式颁布后,以往简单粗暴的各方数据聚合建模方法显然已经不适用。数据隐私保护与数据准确高效利用之间似乎存在着不可调和的矛盾,联邦学习算法框架的提出从技术上完美的解决了该问题。
为了进一步扩大联邦学习技术影响力,吸引更多高校和企业进行联邦学习技术研究和产品开发,在国际著名人工智能学术会议IJCAI 召开50周年之际,微众银行AI团队联合Google、IBM等将举办全球第一个联邦学习技术相关的国际研讨会- The 1st International Workshop on Federated Machine Learning for User Privacy and Data Confidentiality (FML’19)。现诚邀大家投稿。
投稿范围:FML’19接收隐私保护、安全机器学习以及人工智能领域的原创性研究成果,主题包括但不限于以下内容:
Adversarial learning, data poisoning, adversarial examples, adversarial robustness, black box attacks
Architecture and privacy-preserving learning protocols
Federated learning and distributed privacy-preserving algorithms
Human-in-the-loop for privacy-aware machine learning
Incentive mechanism and game theory
Privacy aware knowledge driven federated learning
Privacy-preserving techniques (secure multi-party computation, homomorphic encryption, secret sharing techniques, differential privacy) for machine learning
Responsible, explainable and interpretability of AI
Security for privacy
Trade-off between privacy and efficiency
Approaches to make AI GDPR-compliant
Crowd intelligence
Data value and economics of data federation
Open-source frameworks for distributed learning
Safety and security assessment of AI solutions
Solutions to data security and small-data challenges in industries
Standards of data privacy and security
重要日期:
论文截稿日期:2019.5.12
论文接收日期:2019.6.10
会议举办日期:2019.8.10-12
会议举办地点:中国、澳门
稿件要求:不长于7页的原创性论文,且接收的优秀论文将受邀在IEEE Intelligent Systems(影响因子2.596)特刊发表。另外会议计划颁发Best Paper , Best Student Paper 和 Best Presentation 奖项。
会议网址:http://fml2019.algorithmic-crowdsourcing.com/
联邦学习介绍:
联邦学习是一个机器学习框架,能帮助不同机构在满足用户隐私保护、数据安全和政府法规的要求下,进行数据联合使用和建模。具体地说,联邦学习要解决这样一个问题:在企业各自数据不出本地的前提下,通过加密机制下的参数交换与优化,建立一个虚拟的共有模型。这个共有模型的性能类似于将各方数据聚合到一块训练出来的模型。该数据联合建模方案不泄露用户隐私且符合数据安全保护的原则。
正是由于认识到联邦学习技术的巨大商业和社会价值,微众银行AI团队不断进行深入研究并发布了基于联邦学习的开源技术平台FATE(Federated AI Technology Enabler)。FATE作为一种数据隐私保护的安全计算框架,为多种机器学习、深度学习、迁移学习算法提供强有力的安全计算支持。(更多联邦学习技术以及FATE介绍请登陆官网: https://www.fedai.org/#/) |
|