Technologie AI Revue de presse : 24 Mars, parrainé par le CCF, les banques publiques et micro-finance Institut de Micro Focus Technology Université de Shenzhen Co du séminaire technique 14 de première ligne Fédération chinoise informatices avec succès en sciences de l'Université de Shenzhen et de la technologie Salle du bâtiment II, le thème du séminaire à « étude fédérale (Federated d'apprentissage machine): données techniques et à la protection de la vie privée. »

Le séminaire, le professeur Yang Qiang présidé par le Hong Kong Université des sciences et directeur de la technologie Banque AI Micro Focus, en même temps, le professeur Yang a également eu un discours d'ouverture forte sur le thème des « îlots de données, de bonnes actions et l'apprentissage AI fédéral des migrations ».

directeur Micro Bank autofocus AI, Hong Kong University of Science et technologie Professeur Yang Qiang

Avant le discours formel, fort accent Professeur Yang sur le très humblement concept d ' « apprentissage fédéral », ils sont toujours du côté de ces pionniers de traverser la rivière en tâtant les pierres, alors que les connaissances pertinentes pour tout le monde, pour ce forum ils veulent que tout le monde explorer plus de ce nouveau concept, plutôt que d'écouter les professeurs et unilatérale. Il est également fondé sur cette considération, ils ont invité les gens de tous les milieux professeurs d'université, chercheurs, cadres et experts juridiques au dialogue ciblé ensemble.

Au début de son discours, le professeur Yang Qiang a déclaré que pour l'IA, les problèmes actuels les gens sont plus préoccupés par ses relations avec la communauté, deux des questions les plus importantes au cours des deux sessions présentées par Robin Li aux « silos de données » et Ma mis en avant question « AI bonnes actions ».

Ce qui est « AI bonnes actions »? Professeur Yang Qiang a souligné: il fait référence aux domaines traditionnels de seulement quelques personnes peuvent profiter de l'utilisation de l'IA comme un outil, de sorte que le grand public peut profiter d'un service spécial VIP dans le passé connu, comme l'IA et financière Pratt & Whitney, l'éducation Pratt & Whitney, Pratt & Whitney ville médicale, intelligente, secours en cas de catastrophe, la pauvreté AI, l'agriculture AI + et intelligence artificielle start-up quatrième paradigme mis en avant le slogan de « AI pour tous » et ainsi de suite. La raison de faire de bonnes actions « AI » est due à:

• Bias système AI. Par exemple, les données pour évaluer les hommes du film au système AI, ce ne serait que le résultat de l'opinion des hommes, tandis que d'autres seront ouverts une fois l'opinion erronée de la société tout entière;

• problèmes AI et la concurrence pour le contrôle du système de coopération humaine. Boeing avions à titre d'exemple, les avions Boeing et le droit humain pilote pour soutenir la concurrence pour le conducteur, ce qui provoque l'accident d'avion, cet événement nous donne un aperçu: sinon une centrée sur la personne, serait une recette pour un désastre;

• AI système d'interprétation. Si les régulateurs ne comprennent pas le modèle du système, le système ne peut pas et ne peut être détectée en utilisant, par exemple GDPR nouvelle UE a proposé ( « Règlement sur la protection des données générales ») dans lequel il existe un modèle automatisé de la loi doivent nécessairement être explicites;

• la fiabilité du système AI. Bien que les systèmes d'IA n'ont pas cette capacité, mais cette capacité ne signifie pas que l'IA ne peut pas avoir, mais maintenant ne pas attacher d'importance à la société et devrait donc recevoir l'attention des chercheurs;

• En outre, la crédibilité du système AI, l'équité est un thème important de la « bonté AI » de.

Il a ensuite fait remarquer que, bien que « AI bonnes actions » est un problème majeur, mais le jour du forum doit être axé sur la gouvernance des données est essentielle pour le système AI: plus les données, meilleures sont les performances du système AI, et ce il fera les oligarques et les données AI, comme Google, ainsi que les MTD domestique et d'autres grandes entreprises, il a une énorme quantité de données. Et par opposition aux petites entreprises font face à une petite scène de données, comme la plupart juridique, financier, médical et des scénarios il y a peu de données et le problème « de données ».

Pour les petites données, le professeur Yang solutions fort sur le plan technique proposé, y compris:

(1) apprendre à migrer à travers la migration des données volumineuses sur une petite données (Bert maintenant être en mesure de construire un grand modèle de la grande scène de données);

(2) la (petite) fusion de données, l'introduction des exigences en matière de confidentialité et de sécurité, la mise en place d'un modèle fédéral.

Alors, comment l'agrégation efficace des ensemble de données? Tout d'abord, l'utilisation d'outils de modélisation de la vie privée, d'autre part, la nécessité d'avoir une bonne preuve de la sécurité, ne sont pas liées à la vie privée, en troisième lieu, la répartition équitable des avantages. Avec ces outils, les données de ces petits propriétaires seront en mesure de constituer une alliance interprofessionnels étude fédérale.

Le dernier discours, il a appelé pour le passage, un consortium fédéral d'apprentissage, il devrait être quelque chose de toute la communauté, nous espérons que la communauté sera en mesure de participer.

Après le discours du professeur Yang Qiang, chercheur principal, le Dr AI Micro secteur bancaire Mise au point Liu Yang a le thème de « la recherche et de l'application de l'apprentissage fédéral » discours, elle a présenté l'étude Micro Focus Banque fédérale pour certains des travaux effectués par les gouvernements fédéral et de l'apprentissage l'état d'avancement et l'orientation du développement futur.

secteur principal bancaire Fellow AI Micro Focus Dr Liu Yang

Tout d'abord, elle a introduit le « apprendre fédéral » ce nouveau concept, à savoir un apprentissage collaboratif à grande échelle sous la protection des conditions de confidentialité des données utilisateur. Plus précisément, la « étude fédérale » comprend l'autonomie gouvernementale et l'union de deux aspects: des moyens d'autonomie que le modèle de formation des utilisateurs dans leurs dispositifs terminaux, différents supports de données formera les différents modèles qu'ils ont tous différents paramètres, joint fait référence aux différents paramètres du modèle seront téléchargés sur le nuage afin d'atteindre le modèle d'agrégation, puis après les paramètres de polymérisation retournés à l'utilisateur, le processus est répété jusqu'à l'achèvement de la formation continue - le processus de téléchargement des paramètres du modèle et non seulement télécharger des données, ce qui permet le partage des données tout en protégeant la vie privée.

Google la première société a proposé le cadre de l'algorithme basé sur un équipement terminal individuel « étude fédérale transversale » (horizontale Federated apprentissage), après un an à deux ans, le cadre de l'algorithme a également été plus de progrès:

• En améliorer et d'optimiser l'efficacité du système, comprenant un modèle de compression, le modèle d'optimisation pour optimiser la sélection des participants, le calcul de l'apprentissage fédéral à l'aide du bord;

• Effet Lifting sur le modèle, y compris le cas où la distribution non uniforme des données pour améliorer les performances du modèle, et l'apprentissage de la machine, l'apprentissage multi-tâches et l'apprentissage contraignant fédéral de personnaliser le terminal utilisateur;

• Dans la sécurité des données, la principale considération est de savoir si la mise à jour des paramètres du modèle pour obtenir la protection des renseignements personnels, qui a proposé deux solutions (gradient) sur le terrain: le premier consiste à ajouter de la confusion, affaiblir l'influence des petites données pour l'ensemble des données ; deuxième méthode consiste à mettre à jour le cryptage homomorphique à gradient de protection. En outre, Google a également proposé d'agrégation sécurisée, la formation locale, partage du secret, la stabilité et pas de gradient de fuites d'informations personnelles hypothèses semi-honnêtes et d'autres aspects pour atteindre une meilleure performance.

Pendant ce temps, le Dr Liu Yang a également mentionné que le développement jusqu'à présent, une étude fédérale a été étendue trois catégories:

• L'apprentissage fédérale latérale - chevauchant deux autres ensembles de données caractéristiques de l'utilisateur dans le cas où l'utilisateur est moins de chevauchement, nous avons mis les données en fonction d'une segmentation latérale (à savoir, les dimensions de l'utilisateur), dans lequel à la fois le même et supprimer l'utilisateur et l'utilisateur ne sont pas identiques cette partie des données de formation.

• étude longitudinale fédérale - les deux ensembles de données d'utilisateur et dans le cas de nombreux utilisateurs se chevauchent moins de chevauchement des caractéristiques, notre ensemble de données selon la direction longitudinale (à savoir, les dimensions de fonction) segmentation, et supprimer à la fois l'utilisateur et les caractéristiques de l'utilisateur ne sont pas exactement les mêmes cette partie des données de formation. À l'heure actuelle, le modèle de régression logistique, modèle d'arbre et le modèle de réseau de neurones et de nombreux autres modèles d'apprentissage de la machine a été démontré que la construction progressive de ce système fédéral.

• transfert fédéral d'apprentissage - dans le cas de chevauchement sont moins utilisateur et des fonctions utilisateur deux ensembles de données, les données de segmentation, nous ne sommes pas, et nous pouvons utiliser le transfert de données d'apprentissage pour surmonter la situation ou des étiquettes insuffisantes.

Parmi eux, elle a été introduite au principe de travail d'étude fédérale spécifique verticale. étude longitudinale cible des partis fédéraux A et B est un modèle commun, et en supposant qu'il n'y a qu'une seule étiquette du parti Y, les deux parties ne sont pas exposés à des données, mais le défi peut rencontrer est seulement l'un des X, il n'y a aucun moyen de modéliser les deux parties ne peuvent pas échanger ou partager données. Il finira par atteindre les attendus: Les deux parties ont reçu et le modèle de protection des données sans perte.

Ainsi, avant d'effectuer la vie privée de l'apprentissage automatique, la sécurité doit être définie, ce qui implique trois contraste importants: semi-honnête et malveillant, zéro connaissances et des connaissances; le noeud central de données malveillants et malicieux. Après le recyclage des outils technologiques à la vie privée modélisé, y compris l'informatique sécurisée multi-parties, le cryptage homomorphique, circuit de confusion de formule Yao, et un partage secret de la vie privée différentielle.

Après les développements en cours introduit l'étude fédérale, le Dr Liu Yang a également évoqué les défis et les perspectives de recherche futurs apprentissage fédéraux sont actuellement confrontés. Parmi eux, le défi principalement de deux aspects, l'un est le modèle d'attaque, l'autre est les attaques de données. Les perspectives de futures recherches, le Dr Liu Yang croit que l'étude fédérale devrait être effectuée dans le sens du développement du respect de la sécurité, de prévenir les attaques, l'efficacité de l'algorithme, la technologie et le mécanisme des alliances.

Enfin, le Dr Liu Yang a également présenté l'étude fédérale actuelle dans le secteur financier (entreprises Internet + bancaire), ville intelligente (applications de vision + City Management) et d'autres cas d'application, et a souligné que l'étude fédérale construction écologique devrait être open source, les normes techniques, des affaires permettant trois éléments s'accumulent.

Après la conférence, le Dr Liu Yang, chercheur Fan Tao banques de micro publiques est également venu d'introduire les banques micro-publiques basées sur « système fédéral d'apprentissage « AI alliances développées et alliance open source solutions AI FATE (Federated AI Technology Enabler). FATE est un cadre d'apprentissage fédéral de qualité industrielle qui fournit un cadre de calcul sécurisé basé sur la protection de la confidentialité des données, l'apprentissage machine, apprentissage en profondeur, transfert algorithme d'apprentissage pour fournir un appui solide, peut effectivement aider à répondre à un certain nombre d'organisations dans la protection de la vie privée des utilisateurs, à la demande de sécurité des données et des règlements gouvernementaux, l'utilisation des données et la modélisation, le projet a ouvert en 2018, a réalisé un chiffre sur GitHub (

Micro syndicat bancaire Focus Solutions & AI FATE Fan Tao, tête chercheuse

Ancien président d'un point de vue technique explique pourquoi apprendre à se joindre à la Fédération, Université Technologique de Nanyang Ph.D., professeur adjoint de Nanyang à Han du point de vue de la théorie des jeux sur la façon de motiver les propriétaires à forte données dans l'Union Learning Consortium, est le thème de son discours « étude fédérale de la théorie des jeux. »

Dr Yu Han, professeur adjoint de l'Université technologique Nanyang, Nanyang

Dr Han mentionner, une coalition de données de développement durable dépend de l'individu ou de l'organisation peut continuer à attirer à participer les détenteurs de données de haute qualité. Cependant, les détenteurs de données personnelles ou institutionnelles comment attirer la qualité en cause? Une question importante est de quantifier les avantages des individus ou des institutions.

Avant de trouver la solution, de le présenter au régime d'allocation de jeu de la répartition des bénéfices des trois plus mature courant, y compris:

• Égalitarisme: les données de revenus générés Union uniformément répartis entre les participants;

• revenu marginal: revenu déterminé conformément à ce qu'il mérite lorsque les gains marginaux de l'entrée dans l'alliance un participant;

• pertes marginales: retirer de l'Union pour déterminer les pertes causées par les avantages marginaux qu'il mérite selon un participant.

Du point de vue du système, l'objectif global est de maximiser l'utilité collective.

Toutefois, ces systèmes d'allocation leurs faiblesses existent, qu'ils ont proposé des incitations fédérales à apprendre (FLI, Apprentissage fédéré Incentivizer) répartition des avantages, le noyau de ce programme est alloué de la contribution et le coût de deux niveaux pour examiner comment juste traiter les participants, tout en maximisant l'utilité globale de l'alliance de données, mais aussi pour minimiser la longueur entre les participants dans les deux dimensions du « regret » et attendre inégale. Dans ce cas, FLI capable de prendre en compte le coût pour chaque propriétaire de données peut ajouter plusieurs participants de l'alliance simultanée / intégration Trier importance des participants de l'alliance pour rejoindre l'alliance, les participants à se joindre à l'alliance des « regrets » et les participants attendent plein des considérations de compensation ont consommé du temps.

La dernière conférence, le Dr Han a également utilisé dans la conception du système de distribution des prestations en fonction de ce Applications SmartHS en Chine « la sagesse des moyens de subsistance des gens » dans, d'introduire l'effet pratique de ce mécanisme apporte. Il a souligné que le système e-gouvernement actuel est encore une solution boîte à outils, a échoué à résoudre le problème du faible niveau du système d'efficacité, l'effet est pas évident, mais SmartHS est de parvenir à la standardisation des processus, la normalisation du personnel définition des rôles, la gestion des processus intelligents (basé sur Federal apprendre la théorie de base de la conception du mécanisme), non seulement la ligne 0, ce qui réduit le temps qu'il faut pour les gens (lorsque les processus de travail en utilisant une moyenne à long de plus de 90%) et de l'énergie au niveau opérationnel, le personnel du gouvernement a également grandement améliorée. Il est rapporté que le projet a également reçu AAAI2018 « Prix pour les applications innovantes de l'intelligence artificielle. »

Comme les seuls praticiens du droit de ce forum, Pékin Guantao à Mao (Shanghai) avocats cabinet d'avocats Wang Yu-wei, il a souligné l'importance de la protection de la confidentialité des données au niveau juridique, son discours sur le thème « Réseau la législation et la pratique « la sécurité et la protection des données.

Pékin Guantao à Mao (Shanghai) Les avocats cabinet d'avocats Wang Yu-wei

Wang Yu-wei problèmes de confidentialité des données avocat de 3 · 15 partie dans l'accent cette année sur l'introduction de combiné Pang Li Peng et « où aller », « les conflits de la vie privée de China Eastern Airlines, Taobao Inc. v vues de cas de concurrence déloyale, les marchandises de Shanghai Sheng illégalement rampants les données d'aujourd'hui vidéo serveur titres et d'autres cas typiques à la maison et à l'étranger sur le cas dans la législation de plus en plus stricte et à l'application fréquente, comment construire des systèmes de conformité des données d'entreprise et d'améliorer leurs capacités de sécurité des données.

Shanghai Sheng Les marchandises illégales ramper serveur de données vidéo de cas des titres d'aujourd'hui comme un exemple, Wang Yu-wei avocat a souligné que le contenu impliqué dans l'affaire est un problème commun dans les sociétés Internet d'aujourd'hui sont confrontés, dans le cas de Shanghai Sheng Network Technology Co., Ltd produits utilisent la technologie crawler arrêté prendre un serveur de données vidéo octet battant, constitue une infraction à la loi illégale, des peines allant de la détention, alors que condamné.

Dans ce cas, il a également mis des contre-mesures à terme pour d'autres entreprises, il est nécessaire d'évaluer le degré de manque d'ouverture aux données d'analyse et de la volonté d'être partie explorées, la seconde est d'examiner les catégories de données pour déterminer si les données sont des informations personnelles, droit d'auteur ou secret commercial.

Le dernier discours, il a dit, sur le règlement de la question de la confidentialité des données, d'une part est la nécessité d'une législation du gouvernement pour limiter l'invasion des données sur la vie privée, d'autre part, « le professeur Yang Qiang leur étude fédérale proposée peut être une bonne idée. »

apparence quatrième des haut-parleurs est le quatrième paradigme co-fondateur et chercheur principal, le Dr Chen Yujiang, thème de son discours était « étude fédérale --AI pour tout le monde est la seule façon. »

Quatrième forme normale, co-fondateur, le Dr Chen Yujiang principal chercheur

Il a d'abord présenté les quatre paradigmes de la science: Le premier paradigme est une science expérimentale, mettant l'accent sur le phénomène détecté, le phénomène d'enregistrement et de duplication, le second est le paradigme de la théorie scientifique, mettant l'accent sur la théorie de la conception pour expliquer le phénomène, le troisième paradigme est la science informatique, à savoir par phénomène de simulation par ordinateur, quatrième des données normales est SCIENCES, à savoir les données pour expliquer le phénomène. Il a souligné que le quatrième paradigme est l'avenir du développement scientifique.

Il retourne ensuite au thème, les cadeaux de scène pour tout le monde « AI pour tout le monde » qui exige une expérience:

Le point de départ est un système expert pour déterminer l'étendue du niveau professionnel de l'intelligence humaine, il est difficile de faire face à toutes les frontières, le seuil d'application est très élevée, la deuxième étape est un apprentissage de grande dimension, nécessité de construire des modèles complexes pour trouver la loi, pour résoudre la commercialisation, le degré de normalisation de l'intelligence Jie seuil, la troisième étape, qui est maintenant, il est AutoML, bâtiment intelligent peut être seuil résolu que tout le monde peut construire leur propre modèle, mais à ce besoin de temps pour adresse est la question du seuil de données, qui est la direction future du développement - - fédéral apprendre à résoudre les données seuil requis (quatrième étape).

Puis il a étudié l'angle d'atterrissage industriel de la machine, l'industrie a fait remarquer que la plus grande caractéristique de l'apprentissage de la machine devrait être étendue - se compose de deux niveaux d'évolutivité: d'une part, les données de traitement débit augmente à mesure que le nombre de grappes, la machine augmente , l'autre est le niveau des barrières intelligence / expérience avec l'augmentation des augmentations entreprises / données. Les principales données industrielles ont besoin élevé des moyens de modèle VC dimensions que le modèle ou la fonction très complexe et d'apprentissage de la machine très forte.

Dans l'ensemble, l'industrie avait besoin élevé système d'apprentissage automatique de dimension VC, le besoin de chercher à améliorer et optimiser les données dans trois directions, les caractéristiques et les modèles. Et en raison des données de seuil plus élevé, la pratique générale est de prendre le modèle et les caractéristiques selon deux directions.

• Marcher le long du modèle de direction est déterminée par la communauté universitaire (ICML, SPNI, RPR) dominant, qui utilisent souvent non linéaire trois épée --kernel, Stimuler et réseau de neurones (actuellement le procédé le plus utilisé), pour obtenir un grand modèle une partie de la charge peut être autonome, données distribuées et résoudre les problèmes, réduire système aérien, tandis que le secteur industriel est destiné aux applications de modèles personnalisés, l'examen clé est plus conforme à ce modèle de données de la scène, la généralisation et la combinaison non linéaire d'une plus forte générale il sera de construire un système d'apprentissage automatique basé sur la réflexion d'experts ou des hypothèses observables, l'ajout d'un nouveau modèle pour obtenir plus de paramètres de structure.

• Marcher le long de la direction caractéristique, il est par l'industrie (KDD, WWW) dans le modèle dominant de son utilisation est relativement simple et brut (est avantage et un inconvénient), les défis dans les caractéristiques de calcul distribué et d'ingénierie auxquels sont confrontées les grandes, donc considérations clés est de réaliser parallèle efficace et d'assurer une convergence rapide. À cet égard, l'industrie en général pour les fonctions de personnalisation de l'application, en mettant l'accent sur les caractéristiques produit pour explorer les raisons, les méthodes et comprendre les caractéristiques.

À l'heure actuelle, cependant, l'application de l'industrie de l'apprentissage existent encore machine à de nombreux problèmes, on est énorme demande pour les applications AI plate-forme, l'autre n'est pas vraiment une application à grande échelle de l'intelligence artificielle pour toutes les entreprises. Pour projet caractériser, par exemple, exige une connaissance des chercheurs d'apprentissage de la machine et les entreprises sont très profondes dans le domaine, et peut maintenant être utilisé pour optimiser les caractéristiques des méthodes d'ingénierie sont: une combinaison de fonction implicite (NN, FM), affichage semi-explicite combinaison de caractéristiques (GBDT) et la combinaison explicite de caractéristiques (fonctionnalité produit croisé).

Enfin, il a dit, et maintenant ils tentent de résoudre est « AI pour tout le monde » problème, et l'étape suivante consiste à résoudre le problème des données. Sous la direction du professeur Yang quatrième paradigme aussi étude de recherche forte, fédéral, les principales idées de recherche, y compris la protection de la vie privée et le transfert des connaissances et des résultats connexes sont maintenant appliquées au domaine médical.

La dernière apparition des haut-parleurs est senior fellow à l'Institut de la ville Jingdong intelligente, ville Jingdong division plate-forme informatique AI tête Dr Zhang Junbo, son thème de la parole est « Informatique urbaine et étude conjointe de modélisation inter-domaines. » point de vue de l'application partielle, il a calculé principalement de la ville, l'apprentissage de l'importance pour le secteur fédéral.

Jingdong Smart Cities Research Institute chercheur, ville Jingdong plate-forme informatique Groupe AI, chef Dr. Zhang Junbo

Tout d'abord, il a introduit le concept de (Computing urbain) de « calcul de la ville » Oui, qui est la ville en collectant la gestion des données, l'analyse et les fournisseurs de services miniers au transport d'adresse, de la planification, de l'environnement et d'autres questions. Toutefois, en raison hétérogène des données, la distribution multi-source et dynamique temporelle, calculer la ville urbaine actuelle face à un manque apparent de données ce grand défi. Là où le temps et l'espace pour leurs données sur les caractéristiques de l'espace proche, à un niveau périodique et le temps, tendance, etc., est nécessaire pour résoudre le problème de l'informatique urbaine.

Il a ensuite AI pour prédire la circulation des personnes dans les zones urbaines et le transfert de grande prédiction de données et AI à base d'air, AI-basée et la prévision de la qualité de l'eau en milieu urbain et d'autres grands scénario d'application de réseau de données à titre d'exemple, le Jingdong fait dans la ville de calcul un peu de travail, mais ceux-ci ne peut pas fonctionner même à faire bon usage de certaines des données déjà accumulées existent, y compris: la sagesse de la construction urbaine, divers organismes gouvernementaux ont mis en place différents systèmes ou la plate-forme de données d'information, à grande échelle des entreprises d'État, en particulier les entreprises centrales accumulaient noMBRE collection massive. Pendant ce temps, les projets de développement en cours dans un certain nombre de gouvernement de coalition des besoins sociaux importants et les grandes entreprises et les institutions ainsi à des données complètes, les barrières de rupture de données entre les agences deviennent nécessaires.

Et cette demande est correspondant à une série de défis:

Tout d'abord, la sécurité des données, que ce soit le GDPR, ou « République de Chine Réseau Loi sur la sécurité du peuple » de l'UE pour la protection des données sont proposées des règles strictes;

En second lieu, des scénarios complexes multi-plateformes, telles que le partage de données, des silos de données existent, les différents organismes gouvernementaux et entreprises architecture de la plateforme, l'enregistrement de cryptage de données diverses, restreindre les types et les normes de données et d'autres aspects de la diversité;

Troisièmement, l'algorithme de modèle existant ne peut pas être pleinement réalisé protéger la confidentialité des données d'origine ne soit pas compromise, pour assurer l'exactitude et l'efficacité modèle, la sécurité du réseau, et le niveau de confiance du modèle interprétabilité et d'autres cibles.

À cet égard, Jingdong modélisation inter-domaines en commun par l'apprentissage, créer une « étude fédérale Random Forest + » forêts aléatoires fédérales, « l'apprentissage du modèle de régression logistique fédéral + » modèle d'entreprise de notation de crédit conjointe, « des terres fédérales dispose d'apprentissage + apprentissage » dans terrain intelligents (région) des modèles de commande, les obstacles à l'ouverture des données pour résoudre le problème des silos de données.

La dernière partie de ce forum est par le professeur Yang Qiang, le Dr Zhang Junbo, le Dr Chen Yujiang, le Dr Yu Han, avocat Wang Yu-wei et un invité spécial - le directeur adjoint du département du renseignement artificiel général M. Chen Tianjian banques de micro-public participant au forum table ronde sur le thème « explorer les possibilités et les défis d'apprentissage fédéral. »

Professeur Yang Qiang, le Dr Zhang Junbo, le Dr Chen Yujiang, le Dr Yu Han, Wang Yu-wei avocat, M. Chen Tianjian ensemble pour participer dans le forum table ronde

Ce qui suit est le dialogue enregistrement modifié:

1.

Professeur Yang Jiang: Fédéral comme apprendre une nouvelle technologie, certainement il y a beaucoup de problèmes que nous avons eu inattendu. Par exemple, après avoir appris la fusion des données fédérales, l'effet original est modélisé dans le centre de la fusion est le meilleur, mais pour diverses raisons, alors que la nécessité de protéger la vie privée, aux données distribuées à chaque porteur terminal de données, qui sans doute perdu quelque chose. Je veux vous demander quelle est la perte? Et les indicateurs d'impact pour la perte de l'entreprise, combien?

M. Chen Tianjian : Cette question est des aspects positifs et négatifs. D'une part, l'étude fédérale nous donner beaucoup d'opportunités, la société a une petite données plus besoin d'avoir des données de l'entreprise en brisant le monopole des grandes données, et peut apprendre à profiter des avantages de cette technologie par la grande fédération de données, d'autre part elle apporte aussi des défis, tels que les données passées après la fusion est complètement transparent, peut être traité d'une manière très traditionnelle, cependant, caractérisé par l'intégration de données d'apprentissage fédéral, les données doivent passer par la fédéralisation, le protocole de chiffrement le traitement des données, de sorte que les données seront soumises à certaines restrictions.

2.

Professeur Yang Jiang: Il y a deux étudiants Tencent privé m'a posé une question: Si les deux parties à coopérer lors de la modélisation conjointe, le parti a Y, Y est pas partie, cette partie qu'il n'y a pas Y ne sera pas en mesure de modéliser un problème comment résoudre il?

M. Chen Tianjian: En fait, il y a souvent une partie que Y est également partie à l'application pratique des dispositions de son accord de plomb, est très raisonnable et équitable.

Dr Chen Yujiang: Ajouter quelque chose. Je pense qu'il peut y avoir une situation, comme l'activité de Tencent est une matrice naturelle a beaucoup de données, si elle est ouverte avec un nouveau produit, mais le produit ne peut pas être Y, en fait, s'il y a une telle scène, a maintenant il sera en mesure de partager toutes les données techniques sur, et les résultats obtenus assez bon.

3.

Professeur Yang Jiang: Site à un grand nombre d'étudiants de niveau collégial, les étudiants diplômés et de doctorat, et ils sont à la recherche de nouveaux projets de recherche, car ils ont des suggestions que vous pouvez offrir?

Dr Zhang Junbo: En fait, les étudiants ont tendance à faire à chaque étape du problème ne peut pas être la même direction. Général Dr pourrait être enclin à faire des questions académiques et de premier cycle, diplôme de maîtrise, vous pouvez aller à sélectionner des thèmes axés sur l'application partielle.

Dr Yu Han: J'ajoute que du point de vue de la théorie des jeux. L'un des aspects de notre école est un institut conjoint de trop d'étudiants pour des projets de recherche, attribution de sujets d'études fédéral et, d'autre part, vous pouvez aussi penser à ce sujet dans d'autres directions, par exemple quand il y a deux tiers d'entrer dans Consortium fédéral d'apprentissage à la difficulté de faire, est-il un moyen sera également intégré à des tiers entrer? Quel est l'impact de la législation et entraînera l'innovation AI?

4.

Professeur Yang Jiang: données nationales par la loi sont souvent motivés certains cas spécifiques, un peu en retard, la législation nationale Pourquoi est-ce phénomène? Que ce soit il y aura des changements dans l'avenir, si nous aimons l'Europe comme projet de règlement à l'avance, a joué un rôle de premier plan dans le monde?

avocat Wang Yu-wei: À l'heure actuelle, la législation existe de tels problèmes. Mais en fait, certaines lois très tôt, mais le cycle législatif dans le cadre du système étatique plus, l'introduction de la finale serait plaintext plus de lag. En même temps, on ajoute une sensation intuitive pour une telle législation est pas très forte, et produira donc un retard impression de la législation nationale. Cependant, le niveau de la législation nationale peut en effet pas si haut, si au cours de la mise en uvre, ils se sentent tout l'effet général est pas très bon. Nous espérons également que cette situation a changé, mais le système est désormais le législateur national lui-même pertinent, nous les avocats souvent aller à l'étranger pour communiquer avec d'autres avocats, mais aussi faire des efforts et des tentatives à cet égard, nous pouvons regarder avec impatience.

Cliquez sur Lire l'original , vue CCF 2018 exceptionnelle des étudiants Chapitre des résultats étaient hors - Université des sciences et de la technologie électronique, Université du Shanxi, l'Université du Sichuan, les trois premiers