《2021联邦学习全球研究与应用趋势报告》发布,全景式观察技术及商业要点

10月24日,由智能投研技术联盟(ITL)主办的第二届“1024国际智能投研开发者大会(IITDC 2021)”在临港召开。中国科学院院士、图灵奖获得者姚期智,中国工程院院士柴洪峰,上海市地方金融监督管理局局长解冬,中国(上海)自由贸易试验区临港新片区党工委副书记袁国华以及中国保险资产管理业协会副会长贺竹君,ITL主席、微众银行首席人工智能官杨强教授等出席会议并致辞。

会上重磅发布了由清华大学人工智能研究院知识智能研究中心、清华-中国工程院知识智能联合研究中心和智谱联合编写的《2021联邦学习全球研究与应用趋势报告》。

中美领航联邦学习研究

联邦学习作为新一代隐私计算关键技术,能有效解决AI协作与联合建模中的隐私保护和数据安全问题,自2016年被提出以来一直备受关注,技术研究与应用不断推进。报告显示,近5年来,中美两国在联邦学习研究中领跑全球。从全球发表论文机构TOP10来看,中国有香港科技大学、中国科技大学两家高校和微众银行一家企业上榜,仅次于美国4家,位居第二。

美国的论文引用量一直领先,但近几年中国的论文在引用量方面取得了长足发展。如,由香港科技大学杨强教授带领微众银行AI部门,与北京航空航天大学研究人员共同完成的上榜论文Federated Machine Learning: Concept and Applications,以986次引用量位居国内榜首。

在全球专利受理数量方面,中国以压倒性的1514项,摘取桂冠。而同期美国有579项,仅为中国数量的1/3。根据报告,支付宝公司在数据存取保护访问平台方面贡献了最多数量的专利,在机器学习方面,则属微众银行做了最多数量的专利布局。

报告还指出,目前从全球范围内来看,开源框架热度最高的三位是OpenMined 推出的Pysyft、微众银行的FATE和谷歌的TFF框架,前三名依然由中美两国包揽。

异构算法模型和安全隐私技术将成为未来联邦学习的方向

本报告根据联邦学习的关键技术和相关技术,利用 AMiner 数据库中近年来该领域的高水平学术论文, 挖掘出了全球活跃的联邦学习的重要技术点。

目前联邦学习研究热点主要聚焦在机器学习方法、模型训练、隐私保护三方面。报告指出未来联邦学习最重要的一个特征:未来几年研究趋势将与算法模型和安全隐私技术相关,如Edge Computing(边缘计算)、Data Heterogeneity(数据异质性)、Internet Of Things(物联网)、Blockchain(区块链)、Wireless Communication(无线通信)、 Communication Efficiency(沟通效率)等。而行业应用研究方向将呈现出不断与区块链、物联网、车辆交互、5G等技术融合的态势。

报告显示,2020年开始,与异构相关的研究热度节节攀升。相对于同领域同行业的同构来说,异构更有利于打破数据孤岛,为联邦学习注入新的发展活力,带来新的发展空间。

自2016年联邦学习技术提出以来,在工业界和学术界全面铺开,大放异彩,此次报告的发布对近年来联邦学习技术的重要进展进行了数据梳理和解读,展望了联邦学习技术的未来发展方向与前景。报告中的前瞻技术观点,将促进联邦学习技术的升级,通过理论指导联邦学习及隐私计算在数智金融、数据安全等智能投研热点领域的更深入实践。