數(shù)據(jù)樣本少？數(shù)據(jù)不出局？聯(lián)邦學(xué)習(xí)專治各種不服！

業(yè)內(nèi)認(rèn)為，當(dāng)前的人工智能成果大都是“狹隘”的，即面向特定任務(wù)，只能解決特定問題，比如深度學(xué)習(xí)在圍棋比賽、圖像識別等領(lǐng)域的應(yīng)用已經(jīng)不遜于人類。

2017年10月16日，UC Berkeley電氣工程與計算機科學(xué)系（EECS）14位專家聯(lián)合發(fā)布了一份名為《A Berkeley View of Systems Challenges for AI》的報告。該報告明確提出，下一代人工智能系統(tǒng)的問題需要通過體系結(jié)構(gòu)、軟件和算法的協(xié)同創(chuàng)新來實現(xiàn)，面臨的四大趨勢和九大挑戰(zhàn)，都需要一步步去解決。

1. 數(shù)據(jù)孤島，數(shù)據(jù)整合幾乎不可能：由于行業(yè)競爭、隱私安全等問題，機構(gòu)之間數(shù)據(jù)共享很難，同一公司內(nèi)數(shù)據(jù)整合也困難。如在產(chǎn)品推薦服務(wù)中，銷售方擁有產(chǎn)品數(shù)據(jù)，但沒有用戶購買能力和支付習(xí)慣數(shù)據(jù)。

1. 橫向聯(lián)邦學(xué)習(xí)：訓(xùn)練的數(shù)據(jù)特征相同，分布在不同地方的數(shù)據(jù)是屬于不同用戶的，屬于樣本數(shù)量的擴展，適用于同領(lǐng)域的樣本量聯(lián)合建模。

2. 縱向聯(lián)邦學(xué)習(xí)：訓(xùn)練的數(shù)據(jù)特征不同，分布在不同地方的數(shù)據(jù)是屬于相同用戶的，屬于樣本特征的擴展，適用于不同領(lǐng)域的樣本特征聯(lián)合建模。

3. 聯(lián)邦遷移學(xué)習(xí)：訓(xùn)練的數(shù)據(jù)特征不同，分布在不同地方的數(shù)據(jù)也是屬于不同用戶的，屬于模型的遷移，適用于不同領(lǐng)域在隱私保護下的模型遷移。

針對通信領(lǐng)域數(shù)據(jù)不允許出局的業(yè)務(wù)訴求，華為網(wǎng)絡(luò)人工智能產(chǎn)品部在2019年啟動聯(lián)邦學(xué)習(xí)的研究與開發(fā)。華為網(wǎng)絡(luò)人工智能聯(lián)邦學(xué)習(xí)的基礎(chǔ)架構(gòu)主要分為服務(wù)器端和客戶端，基于此基礎(chǔ)架構(gòu)，NAIE在通信領(lǐng)域的不同場景分別實現(xiàn)了橫向聯(lián)邦學(xué)習(xí)、縱向聯(lián)邦學(xué)習(xí)、聯(lián)邦遷移學(xué)習(xí)。

1. 聯(lián)邦學(xué)習(xí)全生命周期的管理：提供聯(lián)邦學(xué)習(xí)在開發(fā)態(tài)的一鍵式開發(fā)工具鏈，以及運行態(tài)的圖形化運維工具，通過友好易用的客戶界面，極大提升客戶開發(fā)與運行的效率。

2. 全場景的聯(lián)邦學(xué)習(xí)支持及靈活的部署模式：區(qū)別于業(yè)界聯(lián)邦學(xué)習(xí)復(fù)雜的功能區(qū)分，網(wǎng)絡(luò)人工智能聯(lián)邦學(xué)習(xí)通過服務(wù)端（Federated Learning Server）+客戶端（Federated Learning Client）這種簡潔的功能區(qū)分，實現(xiàn)了全場景的聯(lián)邦學(xué)習(xí)，靈活的部署在通信領(lǐng)域的不同聯(lián)邦學(xué)習(xí)場景。

3. 高性能及多樣的算法支撐：支持神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)、線性、邏輯回歸、決策樹、隨機森林、Xgboost、GBDT、lightGBM等算法；支持聯(lián)邦訓(xùn)練的分布式計算能力，性能倍增；支持聯(lián)邦訓(xùn)練的AutoML能力，極大提升客戶在聯(lián)邦模型的訓(xùn)練易用性。

4. 強大的安全隱私算法：支持華為自研的多種隱私加密算法：安全多方計算（Federated-MPC），隨機安全平均（Random Secure Averaging）算法，同態(tài)加密（Paillier）、匿蹤查詢（OT）等，提供匹配應(yīng)用場景的隱私加密算法；密文推理保證推理過程隱私。

結(jié)合華為在通信領(lǐng)域、人工智能領(lǐng)域的多年經(jīng)驗沉淀和研發(fā)投入，NAIE聯(lián)邦學(xué)習(xí)主要服務(wù)于通信領(lǐng)域的聯(lián)邦學(xué)習(xí)場景，分布在如下多個場景成功實現(xiàn)了聯(lián)邦學(xué)習(xí)的應(yīng)用：

ONT精準(zhǔn)識別應(yīng)用，實現(xiàn)品質(zhì)家寬

2. 技術(shù)方案

3. 前景價值

運營商和銀行共建信用分模型

1. 背景需求

2. 技術(shù)方案

3. 前景價值

數(shù)據(jù)中心PUE模型聯(lián)邦遷移學(xué)習(xí)

1.背景需求

2.技術(shù)方案

一期存在大量有標(biāo)簽的數(shù)據(jù)，二期只有極少量有標(biāo)簽數(shù)據(jù)，數(shù)據(jù)極不均衡，但一期和二期存在部分重疊特征。

3.前景價值

AI 機器學(xué)習(xí)

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實的內(nèi)容，請聯(lián)系我們jiasou666@gmail.com 處理，核實后本網(wǎng)站將在24小時內(nèi)刪除侵權(quán)內(nèi)容。

版權(quán)聲明：本文內(nèi)容由網(wǎng)絡(luò)用戶投稿，版權(quán)歸原作者所有，本站不擁有其著作權(quán)，亦不承擔(dān)相應(yīng)法律責(zé)任。如果您發(fā)現(xiàn)本站中有涉嫌抄襲或描述失實的內(nèi)容，請聯(lián)系我們jiasou666@gmail.com 處理，核實后本網(wǎng)站將在24小時內(nèi)刪除侵權(quán)內(nèi)容。