24小时热门版块排行榜    

CyRhmU.jpeg
查看: 687  |  回复: 0

小红豆

主管区长 (知名作家)

优秀区长优秀区长

[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:https://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/#/
回复此楼
已阅   回复此楼   关注TA 给TA发消息 送TA红花 TA的回帖
相关版块跳转 我要订阅楼主 小红豆 的主题更新
普通表情 高级回复(可上传附件)
信息提示
请填处理意见