IJCAI 2021联邦学习与迁移学习国际研讨会精彩回顾

8月19日，“第30届国际人工智能联合会（IJCAI 2021）”于线上隆重开幕，“联邦学习与迁移学习国际研讨会（FTL-IJCAI’21）”也在8月21日重磅登场。

本次研讨会由微众银行、京东、第四范式、星云Clustar联合香港科技大学、南洋理工大学等高校共同主办。

技术赋能，联邦学习与迁移学习助力AI领域大变革

2021年是机器学习取得了长足发展的一年，不仅迁移学习延伸出了协同学习，联邦学习发展形势更是迅猛：从个性化联邦学习到异构联邦学习，从领域泛化到用户选择和聚类，联邦学习与迁移学习领域的新研究主题百花齐放，不仅聚合成了AI领域的研究新趋势，还为商业落地提供了强有力的理论支持。联邦学习与迁移学习也被Gartner列入“2020年数据科学与机器学习技术成熟度曲线”，标志着技术从实验室研究阶段进入大规模工业落地阶段。

此次研讨会重点关注大数据时代的隐私保护与安全，从迁移学习和联邦学习的优化和提升起步，围绕政策中的联邦学习、行业中的联邦学习、技术革新中的联邦学习等多维度生态展开，不仅对迁移学习、联邦学习的迭代历程进行了回顾，还对联邦学习的未来展开了合理化畅想，以期创领未来。

研讨会以微众银行首席人工智能官杨强教授的主题报告《从迁移学习到联邦学习》的精彩讲述为开场。

杨强教授长期深耕于人工智能、机器学习和数据挖掘领域，引领联邦学习行业前沿。杨强教授以对话推荐系统、传递迁移学习等多个案例为轴线梳理了2001年至今迁移学习的发展情况，在简明介绍联邦学习自2017年的发展历程后，重点就联邦学习在金融科技和大健康领域的隐私保护应用实践进行了分析。会上，他以微众银行AI团队与极视角打造的世界首个视觉联邦学习系统为例，对纵向联邦学习实现数据隐私保护的逻辑进行了详尽说明，并向世界各国研究者和学者汇报了微众银行与腾讯医疗健康合作实验室的工作进度。杨强教授提到，FATE等联邦学习开源生态为工业化的落地应用贡献了强劲的力量，未来FATE依然能够为隐私计算产品提供所需营养。

此外，10位来自不同研究领域的特邀嘉宾从技术本身、业务场景应用两个方向，为参会人员带来了一场干货满满的AI盛宴。

来自康奈尔大学的王飞教授对大型临床研究网络中的联邦学习技术应用进行了探讨。王飞教授的主要研究方向为健康数据科学中的机器学习和人工智能，并在ICML、KDD、NeurIPS、CVPR、AAAI、IJCAI等顶会上发表了多篇文章。王飞教授提出，临床数据的敏感性要求，使得联邦学习技术在大型临床应用领域中居于重要地位，但因临床数据的异质性和复杂性，在联邦学习介入前，应完成数据标准化与数据协调。

来自IBM T.J. Watson研究中心的资深研究员王世强对Cross-Silo联邦学习的自身特征，数据模型代理，跨云、边缘与设备学习进行了阐述。香港城市大学的魏颖副教授从类比问题解决、机器学习泛化的非平凡性、任务不足后果等多方面阐述了确保预训练模型泛化成功的方法。韩国科学技术院(KAIST)的Sung Ju Hwang副教授分享了联邦持续和半监督学习方面的最新研究成果。清华大学的龙明盛副教授就迁移学习的理论、算法和开库进行了解读。东京大学的Masashi Sugiyama副教授分享了对迁移学习重要性加权的重新思考。

来自字节跳动的首席AI科学家王崇从机器学习中的标签泄露、双方拆分学习中的隐私保护两个方面讲述字节最新研究成果。来自谷歌的许正博士从替代问题公式、提高效率和效力、局部更新与控制变量几个方面讲述现实世界约束下的联邦优化。来自京东硅谷研发中心的首席科学家薄列峰从纵向联邦学习、联邦随机森林、京东数科联邦学习平台等角度介绍了大规模纵向联邦学习。腾讯微视隐私计算技术负责人李皓介绍了基于联邦学习技术的FL-MV-DSSM推荐系统在微视中的应用情况。

聚焦创新，AI领域后浪分享联邦学习与迁移学习最新进展

本届研讨会不仅得到了国际AI学界最顶尖学者的支持，更受到了来自年轻一代联邦学习领域研究者和从业者的关注。通过优秀论文征集、评选，11位全球领先研究者在论文报告环节分享自己最前沿的研究工作，4篇论文获得优秀论文奖项。

Mingsheng Long，Yue Cao等人的论文“Learning Transferable Features with Deep Adaptation Networks”获“Test of Time Award”； 

Ching Pui Wan和Qifeng Chen的论文“Robust Federated Learning with Attack-Adaptive Aggregation”获“Best Paper Award”；

Mengmeng Tian，Yuxin Chen等人的论文“A Contract Theory based Incentive Mechanism for Federated Learning”获“Best Student Paper Award”；

Cengguang Zhang，Junxue Zhang等人的论文“Aegis: A Trusted, Automatic and Accurate Verification Framework for Vertical Federated Learning”获“Best Application Paper Award”。

聚集顶尖学者，关注联邦学习领域，FTL-IJCAI系列研讨会已成为全球联邦学习行业领域最前沿的学术动态窗口。以科技手段解决时代难题，多位行业领军者的干货分享，一定能够成为当下时代联邦学习领域最有力的助推器。

视频回顾及更多信息可查看研讨会官网：http://federated-learning.org/fl-ijcai-2021/

雷锋网雷锋网雷锋网(公众号：雷锋网)

雷锋网特约稿件，未经授权禁止转载。详情见。